專利名稱：一種mfcc水下目標(biāo)特征提取和識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及水下目標(biāo)的分類識別技術(shù)，尤其涉及一種新的MFCC水下目標(biāo)特征提取和識別方法。
背景技術(shù)：
海洋環(huán)境的復(fù)雜多變性使得目標(biāo)特性很難定性描述，因此，水下目標(biāo)的分類識別是水聲信號處理的難題。

發(fā)明內(nèi)容
技術(shù)問題本發(fā)明所要解決的技術(shù)問題是提供一種新的MFCC水下目標(biāo)特征提取和識別方法，該方法利用人耳對聲音的非線性辨別能力，通過圖像銳化處理中的Sobel算 子和拉普拉斯算子運(yùn)算，獲得基于圖像處理的新的MFCC特征，并采用基于EM算法的混合高斯模型的聚類分類器，仿真結(jié)果具有高識別率。技術(shù)方案為解決上述技術(shù)問題，本發(fā)明的一種新的MFCC水下目標(biāo)特征提取和識別方法首先對水下目標(biāo)信號(即艦船輻射噪聲信號)分別進(jìn)行分幀加窗的單邊功率譜求取，求解基于Mel頻率的三角濾波器的頻域傳遞函數(shù)，將水下目標(biāo)信號的功率譜與三角濾波器組相乘并進(jìn)行對數(shù)變化，經(jīng)過t方向和f方向的Sobel算子和拉普拉斯算子運(yùn)算，最后進(jìn)行DCT變化去除特征間的相關(guān)性，設(shè)計基于EM算法的混合高斯模型的聚類分類器，提高水下目標(biāo)的識別率。本發(fā)明的原理是利用了人耳對聲音的非線性辨別能力，采用倒譜技術(shù)中的MFCC方法，將水下目標(biāo)發(fā)聲體和信道的頻譜分開，從而提取發(fā)聲體的特征，并利用圖像銳化處理中的線性微分算子運(yùn)算，提取有利的細(xì)微變化特征，設(shè)計基于EM算法的混合高斯模型的聚類分類器。本發(fā)明方法的具體實現(xiàn)方式包括以下步驟第一步獲取艦船輻射噪聲信號對應(yīng)的數(shù)據(jù)序列X (n):接收長度為N的實時采集數(shù)據(jù)或提取N點存儲的現(xiàn)成數(shù)據(jù)作為待處理的數(shù)據(jù)序列X (n)，n=0，1，…N-I，數(shù)據(jù)的采樣率為fs ；第二步進(jìn)行分幀處理得到Xi (n):對第一步的數(shù)據(jù)序列X (n)進(jìn)行分幀處理，得到每一幀數(shù)據(jù)序列Xi (n)，其中，Xi (n) =x (n+id)式(I)在式(I)中，n=0, 1，…L-l, i=0, 1，…K_l,[=+1 ^」表示向下取整運(yùn)
算；L表示Xi (n)的數(shù)據(jù)長度，d表示幀之間的重復(fù)數(shù)據(jù)數(shù)目，K表示幀的數(shù)目；第三步通過加窗操作得到Y(jié)i (n):對每一巾貞數(shù)據(jù)序列Xi (n) (i =0，I,…K_l)進(jìn)行加窗處理，得到Ji (n)，其中，y^n) =Xi (n)w(n)式(2)
在式(2)中，i=0,1，…K—l, n=0, 1，…L—l, w(n) =0. 54—0. 46cos (2 n/L)，;w(n)表示窗函數(shù)；第四步計算分幀加窗信號的單邊功率譜密度Pi (I):對數(shù)據(jù)序列yi(n)求解單邊功率譜密度Pi(I),其中，

權(quán)利要求
1.一種MFCC水下目標(biāo)特征提取和識別方法，其特征在于，步驟包括 首先，對水下目標(biāo)信號即艦船輻射噪聲信號分別進(jìn)行分幀加窗的單邊功率譜求??； 接下來,求解基于Mel頻率的三角濾波器的頻域傳遞函數(shù)； 然后，將水下目標(biāo)信號的功率譜與三角濾波器組相乘并進(jìn)行對數(shù)變化，經(jīng)過t方向和f方向的Sobel算子和拉普拉斯算子運(yùn)算； 最后，進(jìn)行DCT變化去除特征間的相關(guān)性，設(shè)計基于EM算法的混合高斯模型的聚類分類器。
2.按照權(quán)利要求I所述的一種新的MFCC水下目標(biāo)特征提取和識別方法，其特征在于，本方法具體包括以下步驟 第一步獲取艦船輻射噪聲信號對應(yīng)的數(shù)據(jù)序列X(ri) 接收長度為N的實時采集數(shù)據(jù)，或提取N點存儲的現(xiàn)成數(shù)據(jù)作為待處理的數(shù)據(jù)序列X (n), n=0, I,…N-1,數(shù)據(jù)的采樣率為fs ； 第二步進(jìn)行分幀處理得到Xi(H) 對第一步的數(shù)據(jù)序列X (n)進(jìn)行分幀處理，得到每一幀數(shù)據(jù)序列Xi (n)，其中， Xi (n) =x(n+id)式(I) 在式(I)中，n=0, I,…L-l, i=0, I,…K-1,尺=+1 」表示向下取整運(yùn)算；L表示Xi(n)的數(shù)據(jù)長度，d表示幀之間的重復(fù)數(shù)據(jù)數(shù)目，K表示幀的數(shù)目； 第三步通過加窗操作得到y(tǒng)i(n) 對每一巾貞數(shù)據(jù)序列xjn) (i = 0, I,…K-1)進(jìn)行加窗處理,得到Y(jié)i (n),其中， Yi (n) =Xi(Ii)W(Ii) 式(2)在式(2)中，i=0, I,…K-1, n=0, I, ... L-l, w(n) =0. 54-0. 46cos (2 n n/L)，；w(n)表示窗函數(shù)； 第四步計算分幀加窗信號的單邊功率譜密度Pi (I) 對數(shù)據(jù)序列Yi (n)求解單邊功率譜密度Pi (I),其中， pA1)^ ZM )exp{—.,2雁式⑶OI 在式(3)中,1=0, I,…L/2+1, I I表示絕對值運(yùn)算，j表示虛數(shù)單位，即j = 4-\ ; i=0, I,2，…，K-I ； 第五步求解三角濾波器組的傳遞函數(shù)Hm(l)，通過三角濾波器組得到Q，其中，Q表示運(yùn)算的結(jié)果，無特指含義 求解三角濾波器組在頻域的傳遞函數(shù)Hm(I)，從第四步的分幀的單邊功率譜密度Pi(I)通過三角濾波器組得到Q，其中，在式(4)中，Hm(I)表示三角濾波器的傳遞函數(shù)，1=0，I,…L/2+1 ；i=0, 1，…K-I ； 將范圍在(0，fs/2)的頻率f均等分成L/2+1個頻率點，按照式(5)計算Mel頻率值mel=25951og(l+f/700)式(5)將mel均等分成M+2個Mel頻率值，me I的取值范圍在(O，25951og (l+fs/700))，依次對每個Mel頻率值找f中對應(yīng)最接近的頻率值點，組成[f (O)，f (2)，…f (m)，…f (M+1)]，按照式(6)計算Hm(f)，將Hm(f)中的f按照序號表示，得到Hm(I)，1=0，I, ... L/2+1，
3.按照權(quán)利要求I所述的一種MFCC水下目標(biāo)特征提取和識別方法，其特征在于，所述第九步中，按照第八步得到的特征數(shù)據(jù)集X=IX1, X2,. . . xN*}作為基于EM算法的混合高斯模型的聚類分類器的輸入； 首先訓(xùn)練混合高斯模型的各參數(shù)，然后根據(jù)概率密度最高原則進(jìn)行聚類，C= {C1，C2，…CE},其中，混合高斯模型如式(11)、(12)
4.按照權(quán)利要求I所述的一種MFCC水下目標(biāo)特征提取和識別方法，其特征在于，所述的第七步中，Sobel算子和拉普拉斯算子3X3的模板為
5.按照權(quán)利要求I所述的一種MFCC水下目標(biāo)特征提取和識別計方法，其特征在于，所述的第九步中，初始值設(shè)置采用K-means設(shè)置方法。
全文摘要
一種MFCC水下目標(biāo)特征提取和識別方法，包括步驟1)獲取數(shù)據(jù)序列x(n)；2)進(jìn)行分幀處理得到xi(n)；3)通過加窗操作得到y(tǒng)i(n)；4)計算分幀加窗信號的單邊功率譜密度pi(l)；5)求解三角濾波器組的傳遞函數(shù)Hm(f)，通過三角濾波器組得到Q；6)進(jìn)行對數(shù)變換得到E；7)分別進(jìn)行t方向和f方向的Sobel算子和拉普拉斯算子3×3的模板塊運(yùn)算得到A、B和C；8)分別進(jìn)行DCT變換得到特征集CA,CB,CC，組合特征；9)通過基于EM算法的混合高斯模型的聚類分類器進(jìn)行水下目標(biāo)識別。本方法有利于提高水下目標(biāo)的識別率。
文檔編號G06K9/62GK102799892SQ201210194530
公開日2012年11月28日 申請日期2012年6月13日 優(yōu)先權(quán)日2012年6月13日
發(fā)明者曹紅麗, 方世良 申請人:東南大學(xué)