基于声信号特征分析的降雹和降雨识别

李 鹏，嵇佳丽，丁倩雯

(1.南京信息工程大学 江苏省气象探测与信息处理重点实验室，江苏 南京 210044；2.南京信息工程大学 江苏省大气环境与装备技术协同创新中心，江苏 南京 210044；3.南京信息工程大学 滨江学院，江苏 无锡 214105)

适量降水能促进农作物生长，而过量的强降水会造成洪涝等灾害.强降水灾害，具有时间短、破坏性大、范围小、突发性强的特点，给工农业生产和人民生命财产带来极大危害，故对强降水天气的预警监测就尤为重要.降雹和降雨的监测根据雷达的回波强度进行.文献[5]利用机器学习处理高分辨率的预报数值，改善了冰雹预报.文献[6]提出了一种经验预测模型，预测可提前2至5周.文献[7]采用基于边缘检测的卷积神经网络方法，对冰雹进行预报.文献[8]根据雷达图像中冰雹和暴雨特征，设计了基于聚类评分的暴雨冰雹分类模型.文献[9]通过实时探测大气中水汽含量，对降雨进行预测.文献[10]建立了基于MapReduce的改进加权朴素贝叶斯降雨等级预测模型，能较准确预测降雨.文献[11]提出了一种地面与高空联合的降雨预报模型,提高了短期降雨的预报精度.

该文提出一种基于声信号特征分析的降雹和降雨识别方案，设计降雹和降雨声信号的采集装置，提取降雹和降雨声信号的特征参数，且将其作为识别依据，采用基于马氏距离的模糊聚类算法对声信号进行识别.

1 声信号采集装置

降水包括降雨、降雪、降雹3种形式，其中降雨一年四季时常发生，降雪多发生在温度达到零度以下的冬季，降雹多发生在春夏秋三季.通常情况下，降雹和降雪不会同时发生，且考虑到降雪声信号的能量相对小不易采集，故假设从天而降的物体只有冰雹和雨水两种.因此，该文以冰雹和雨水落下时产生的声信号为研究对象.

图1为笔者设计的采集降雹和降雨声信号的简易装置，该装置由拾音模块、数据采集模块和计算机组成.拾音模块由一块60 cm×80 cm×0.2 cm不锈钢拾音板、4个长度为10 cm的支柱以及单通道声音传感器组成，声音传感器置于拾音板下方.数据采集模块通过Waveform软件控制的Analog discovery 2-NI edition采集卡采集声信号.数据采集模块通过USB接口和螺栓端子分别与计算机和声波传感器相连.

图1 声信号采集装置

2 声信号处理

2.1 声信号预处理

为保证降雹和降雨声信号处理的有效性和准确性，在对声信号进行特征提取之前，需先对信号进行预处理.该文采用小波阈值去噪法，选择Daubechies4(db4)小波对声信号去噪.首先利用小波变换对声信号进行多层分解，然后对分解后的各层信号进行阈值滤波处理，最后通过重构滤波后的各层信号得到去噪信号.小波分解层数影响去噪结果，综合考虑去噪效果、运算时间，最终选择层数为3.使用db4小波对降雹和降雨信号进行分解，结果如图2所示.

采用软阈值方法，对声音信号去噪.图3为降雹和降雨的原始信号、加噪信号及去噪信号.

图3 降雹和降雨的原始信号、加噪信号以及去噪信号

2.2 声信号特征提取

声信号特征提取主要从时域、频域和时频3方面进行.图4为采集到的降雹和降雨原始声信号的时域波形.从图4可看出，降雹和降雨声信号波形的幅度、陡峭度以及分布密度均存在明显差异.

图4 采集到的降雹和降雨原始声信号的时域波形

能量为区分降雹和降雨声信号的最重要特征，其大小随着信号频率变化而变化.冰雹落下时产生的声信号频率主要集中在[0,15 000]Hz，而雨滴落下时产生的声信号频率主要集中在[0,10 000]Hz.因声信号是1维非平稳信号，在提取短时能量之前，需先对声信号进行分帧加窗处理.第

n

帧声信号

x

(

m

)短时能量计算公式为

(1)

其中：

M

为帧长.带宽能量比为-3 dB带宽与短时能量的比值.图5为不同直径冰雹和雨的单边频谱和带宽能量比.由图5(a)～(b)，(e)～(f)可知，利用单边频谱和带宽能量比，能区分大冰雹、中冰雹、中雨、小雨.但对比图5(c)，(d)发现，小冰雹和大雨单边频谱存在重叠部分，不易识别.

图5 不同直径冰雹和雨的单边频谱和带宽能量比

统计分析发现，根据均方根、波形因子、峰值因子、峭度因子和脉冲因子等特征区分大雨和小冰雹是可行的.综合考虑多种因素，该文选择了均方根、敏感性好的峭度因子、稳定好的波形因子作为区分二者的特征.假设采集的声信号为

X

={

x

,

x

,…,

x

},

N

为样本数.声信号的均方根、波形因子、峭度因子的计算公式分别为

(2)

(3)

(4)

图6为降雹及降雨声信号的时域特征参数.由图6可知，降雹及降雨的这3个时域特征参数有显著差别，根据它们能区分降雹和降雨.

图6 降雹和降雨声信号的时域特征参数

3 声信号的识别

3.1 基于马氏距离的FCM算法

该文采用基于马氏距离的模糊聚类(fuzzy c-means based on Mahalanobis distance，简称M-FCM)算法对降雹和降雨声信号进行识别.该算法是一种无监督学习的识别算法，对目标函数的相似准则进行了改进，用马氏距离取代传统模糊聚类中的欧式距离，消除了量纲不同的特征给聚类带来的影响，避免了各变量间的相互干扰，更有利于处理复杂的多维数据.

假设样本集合={,,…,},其中样本={

x

,

x

,…,

x

},样本到样本集合的马氏距离为

(5)

其中：为聚类中心,为协方差矩阵.

M-FCM算法的目标函数为

(6)

其中：=(

θ

)×为聚类中心矩阵，=(

u

)×为模糊隶属度矩阵，

m

(

m

>1)为加权参数.

M-FCM算法步骤如下：

(1) 给定

n

个数据，假定聚类个数为

k

,2≤

k

≤

n

.设定迭代阈值

ε

=1×10,

m

=2，迭代计数器

L

=0.初始化聚类中心矩阵(0).

(2) 通过下式更新隶属度矩阵和聚类中心矩阵

(7)

其中：

C

1为第

t

个聚类中心，

x

为第

j

个待识别样本，

n

为待识别样本的数目，

b

为加权参数，

U

(

x

)为隶属度函数.

(3) 计算新的聚类中心、隶属度函数和目标函数.

(4) 如果‖(

L

)-(

L

+1)‖<

ε

,则算法停止且输出最终的隶属度矩阵和聚类中心；否则令

L

=

L

+1,重复步骤(2).

3.2 识别流程

降雹和降雨声信号的识别分为如下几步：①将采集的所有降雹和降雨声信号的样本分为训练样本和待识别样本.②提取训练样本的特征参数，将这些特征参数组成特征向量.③利用M-FCM算法对提取的特征进行迭代运算，得到降雹和降雨声信号的聚类中心

C

，

C

和隶属度函数

U

.④提取待识别样本的特征参数，根据隶属度函数

U

及式(7)得到待识别样本的聚类中心

C

，

C

，分别计算

C

到

C

，

C

及

C

到

C

，

C

的距离.先比较

C

到

C

的距离与

C

到

C

的距离大小，后比较

C

到

C

的距离与

C

到

C

的距离大小.若待识别样本的聚类中心

C

到训练样本的聚类中心

C

(或

C

)的距离最短，则判定属于聚类中心

C

的所有样本与

C

(或

C

)的类别相同；同理，若待识别样本的聚类中心

C

到训练样本的聚类中心

C

(或

C

)的距离最短，则判定属于聚类中心

C

的所有样本与

C

(或

C

)的类别相同.图7为声信号识别流程.

图7 声信号识别流程图

4 识别结果

为验证所提方案的可行性，对实验采集到的降雹和降雨声信号进行分析，将训练样本和待识别样本的均方根、波形因子、峭度因子、最大带宽能量比和平均振幅构成特征向量.实验采集了250组声信号样本，选取其中类别已知的96组声信号作为训练样本，再随机选取120组声信号作为待识别样本.利用M-FCM算法得到训练样本的聚类中心

C

，

C

.表1为由上述5个特征参数构成的训练样本聚类中心.训练样本的聚类结果如图8所示.

图8 训练样本的聚类结果

表1 训练样本聚类中心的5个特征参数

待识别样本的聚类结果如图9所示.表2为待识别样本聚类中心的5个特征参数.分别计算

C

到

C

，

C

的距离以及

C

到

C

，

C

的距离，结果如表3所示.对比表1～3发现，

C

到

C

的距离比

C

到

C

的距离更近，

C

到

C

的距离比

C

到

C

的距离更近，因此判定待识别样本1属于降雨声信号、待识别样本2属于降雹声信号.但是，图9中虚线框里的3个红点表示的样本应是降雹声信号，却被误判为降雨声信号，故存在一定的误差.

图9 待识别样本结果

表2 待识别样本聚类中心的5个特征参数

表3 待识别样本的聚类中心到训练样本聚类中心的距离

将K-means，FCM(fuzzy c-means)，M-FCM算法应用于降雹和降雨声信号的识别，3种算法在设置相同实验参数的情况下，各进行10次实验，结果如表4所示.由表4可知： K-means的识别准确率最低，M-FCM的识别准确率最高，其值为93.333 3%.因此，综合看来，M-FCM算法识别降雹和降雨声信号更具优势.

表4 3种算法实验结果比较

5 结束语

笔者从声学角度，提出一种基于声信号特征分析的降雹和降雨声信号识别方案，自主设计降雹和降雨声信号的采集装置，对采集的降雹和降雨声信号的时域和频域特征进行统计分析.选取均方值、波形因子、峭度因子、平均振幅及最大带宽能量比5个特征参数组成特征向量，采用K-means，FCM，M-FCM算法对降雹和降雨声信号进行识别.实验结果表明： M-FCM算法的核心指标(识别准确率)最高.