用維譜結(jié)合小波包能量提取地震動信號特征

張亞東，華春蓉，董大偉，閆兵，魯志文，謝逍

（西南交通大學機械工程學院，成都610031）

張亞東，華春蓉，董大偉，閆兵，魯志文，謝逍

（西南交通大學機械工程學院，成都610031）

針對車輛（輪式車、履帶式車）引起的地震動信號中，具有非平穩(wěn)、非高斯性特征相互重疊的實際情況，研究了地面活動目標產(chǎn)生的地震動信號特性；從理論上說明了維譜可消除車輛引起的地震動信號中的高斯白噪聲或有色噪聲，在將維譜分析和小波包能量譜相結(jié)合的基礎上，提出一種特征提取方法，以便區(qū)分不同的車輛目標。在時頻域構(gòu)建以維譜和小波包能量譜作為地震動信號的聯(lián)合特征向量，建立以訓練誤差為目標的BP神經(jīng)網(wǎng)絡模式分類器；然后對兩類車輛信號進行識別。地震動信號的車輛實測數(shù)據(jù)表明，該方法能夠準確和有效地識別車輛引起的地震動信號。

振動與波；地震動信號；維譜；小波包能量譜；特征提取；模式識別

地面目標的震動特性是目標識別的重要特性指標。地面目標激勵下產(chǎn)生的地震動信號，主要是縱波、橫波和瑞雷波等組成。研究表明，當震源位于地表時，瑞雷波由于能量最強，在自由表面?zhèn)鞑タ烨覀鞑ゾ嚯x較遠等特性，更適合于遠距離地面運動目標的探測與識別[1]。所以本文應用瑞雷波進行地震動目標探測與識別。

車輛產(chǎn)生的地震動信號特征主要取決于目標的運動狀態(tài)、目標距傳感器的距離和地質(zhì)條件等[2]。對于車輛目標的特征提取與識別，文獻[2—3]在水泥路面進行試驗，運用傅里葉分析提取目標引起的地震動信號的主要頻率及對應的幅值相對大小作為特征參數(shù)。但頻域提取的特征參數(shù)易受信噪比的影響，不能有效識別車輛引起的地震動信號。文獻[4]應用車輛引起的聲音信號和地震動信號的功率譜估計法聯(lián)合提取目標運動特征，不能有效提取由于非高斯信號引起的地震動信號的頻率成分，識別精度不高。文獻[5—6]在時頻域應用短時傅里葉變換對地震動信號進行特征提取，但此方法只適合分析所有特征尺度大致相同的信號，窗口沒有自適應性，對于非平穩(wěn)的地震動信號，識別精度只有65%左右。文獻[6]應用小波包變換對地震動信號進行多層分解，構(gòu)建以各頻段能量序列為表征各車輛信號的特征向量，其缺陷是對非高斯信號特征提取及識別不高，在分析這些信號時，它們不能從信號中提取由于非高斯帶來的信息。

高階統(tǒng)計量(Higher-Order Statistics)中的3階累積量對角切片的Fourier變換—維譜[7]，是3階譜中的一種特殊情況，它即保留了高階譜可抑制加性高斯噪聲的優(yōu)良特性，又簡化計算量，便于實際應用。加之維譜對低頻分量的加強作用，對提取信號中較弱的低頻分量將特別有效。因此，可以利用譜圖中被加強的低頻成分，獲得目標地震動信號的有效信息，提取信號中非高斯成分，達到目標識別的目的。而小波分析可以把信號分解到任意精細的頻帶上，適合于分析地震動信號中的非平穩(wěn)成分。

對于輪式車、履帶式車運動引起的地震動信號的特性，瑞雷波在傳播過程中易受環(huán)境干擾，車輛產(chǎn)生的地震動信號即有環(huán)境干擾引起的高斯噪聲又有地震動信號引起的非高斯噪聲成分[8]。這就意味著所提取的特征不可避免地受地表復雜的噪聲干擾，必然會影響目標的識別和分類的效果。鑒于以上車輛引起的地震動信號的復雜性與單一特征提取的局限性，本文提出了一種基于維譜—小波包的聯(lián)合特征參數(shù)提取方法。通過把高階統(tǒng)計量與小波分析結(jié)合起來，能夠多方面提取信號的特征參數(shù)向量。建立以訓練誤差為目標的BP神經(jīng)網(wǎng)絡模式分類器對兩類車輛信號進行識別。

高階譜是一種處理非線性非高斯信號的有力工具，高階累積量的多維傅里葉變換定義為高階譜(或稱多譜)。在功率譜的頻率范圍內(nèi)，高階譜可以抑制高斯噪聲，分辨率高，并能得到信號低頻分量、相位和非線性等有用信息[9]。高階譜中的3階譜（也稱雙譜）階數(shù)最低，又包含了高階譜的所有特征，所以本文采用基于雙譜對角切片的維譜進行車輛信號特征提取。

設有隨機變量x(t)(x(t)∈R)，其三階累積量C3x(τ1,τ2)的對角切片C3x(τ,τ)(τ1=τ2=τ)的Fourier變換定義為維譜C(ω)：

其具體計算公式如下

X(ω)為x(t)的Fourier變換，X?(ω)為X(ω)的復共軛。

設原始信號為{x1,x2,···,xN=KM}共K段，每段的長度是M，計算維譜的算法步驟為：

（1）對每段數(shù)據(jù)均值化；

（2）分別計算每段數(shù)據(jù)的3階累積量

式中

（3）對“每段”數(shù)據(jù)的c(i)(τ)取平均，得

加入高斯白噪聲，噪聲信號用n(t)=10×ran dn獲得，其中randn產(chǎn)生正態(tài)分布的隨機數(shù)。圖1中給出的是信號頻率分別為50 Hz，100 Hz的正弦信號和高斯白噪聲的疊加，由于噪聲過大，信噪比低，信號完全淹沒在噪聲中，信號原始成分在時域圖中無法分辨。

圖1 仿真信號時域波形

圖2 仿真信號頻譜分析

2 基于小波包能量的特征提取

對車輛激勵下引起的地震動信號采用傳統(tǒng)傅里葉分析方法可知，車輛引起的地震動信號頻率集中在150 Hz以內(nèi)的低頻范圍。根據(jù)功率譜無法準確區(qū)分不同類型的車輛，又小波包能量譜在不同頻率頻段分布不同，可采用小波包能量譜的方法對地震動信號進行特征提取。對車輛引起的地震動信號以采樣率2 000 Hz（滿足后續(xù)目標定位精度要求的最低采樣率，本文不涉及目標定位算法）采集信號，基于小波包能量譜的特征提取的基本思路為：

圖3 仿真信號維譜分析

（1）運用“抽點法”進行降采樣處理，若采樣率為2 000 Hz，可每4個點抽取1個點，得到以采樣頻率為500 Hz的信號。降采樣的目的：減少小波分析運算量，滿足硬件實時處理要求；

（2）進行1級小波分解，得到降采樣后的二級近似信號和細節(jié)信號；

（3）將第二級分解的近似信號再進行4級小波包分解，得到每個頻段8 Hz的信號能量。4級小波包分解的原因為：根據(jù)車輛信號頻譜分析特性，輪式車、履帶式車的主要頻譜差異不大，小波包分解對應的每個頻段應盡量小，即分解層數(shù)越大越好；又根據(jù)硬件實時處理的需要，小波包分解層數(shù)應盡量少。根據(jù)以上分析，又通過大量后續(xù)試驗，得到每個頻段8 Hz最能反映車輛信號引起的地震動信號特性；

（4）進行能量歸一化處理；

（5）將上述歸一化小波包能量作為地震動信號特征向量，將其作為后續(xù)分類器輸入。

3 實驗及結(jié)果分析

為了驗證本文提出的特征提取方法，需要有效采集目標產(chǎn)生的地震動信號。為此設計了數(shù)據(jù)采集系統(tǒng)，圖4為試驗系統(tǒng)結(jié)構(gòu)框圖。

圖4 采集系統(tǒng)結(jié)構(gòu)框圖

由于地震動傳感器對地面目標激勵下引起的地震動信號具有靈敏度高，抗高過載強等優(yōu)點，本系統(tǒng)選用此傳感器進行外場測試。通過地震動傳感器把車輛引起的地震波轉(zhuǎn)化為電壓信號，在通過信號調(diào)理電路器完成信號的放大濾波、A/D轉(zhuǎn)換等處理，數(shù)據(jù)采集卡采用成都佳儀公司的USB 2080采集卡完成多路信號采集，PC機數(shù)據(jù)采集系統(tǒng)運用本項目組開發(fā)的采集系統(tǒng)軟件，完成信號采集、部分信號處理和實時保存等功能。

外場試驗測試工況：微風，氣溫28°C左右，在自然土質(zhì)路面進行試驗，周圍無明顯干擾源。由于考慮到后續(xù)定位要求，采樣頻率2 000 Hz。傳感器布點如圖5所示，布點說明：圖中正三角形的布置以及圓圈部分是為了后續(xù)聯(lián)合特征定位需要，本文不涉及定位部分。本文中運用4個傳感器聯(lián)合進行目標識別，也是一種提高識別精度的方法。其中，a=20 m，c=80 m，d=20 m。

圖5 車輛識別與定位布點示意圖

圖6 近處信號維譜分析

圖7 遠處信號維譜分析

圖8為對輪式車和履帶式車在近處產(chǎn)生的地震動信號的小波包能量譜分析，由圖可知輪式車近處信號在3—4、6—7頻段能量明顯比其他頻段能量強，而履帶式車近處信號在第3頻段、第7—8頻段能量最強。

圖8 近處信號小波包能量特征分布

圖9為對輪式車和履帶式車在遠處產(chǎn)生的地震動信號的小波包能量譜分析，由圖可知輪式車和履帶式車信號的低頻段小波包能量都明顯增強，輪式車信號在第2、4和第7頻段能量強，而履帶式車信號在第2頻段和第4頻段能量相當，其他頻段能量很弱?？梢娀谛〔ǚ纸狻〔ò芰克惴ǖ奶卣魈崛∧芎芎玫膮^(qū)別輪式車和履帶式車。

圖9 遠處信號小波包能量特征分布

表1 基于維譜與小波包分解能量特征的聯(lián)合識別結(jié)果

表1 基于維譜與小波包分解能量特征的聯(lián)合識別結(jié)果

目標樣本識別正確樣本數(shù)識別錯誤樣本數(shù)正確識別率輪式車48 39 9 81.25%履帶車56 48 8 85.71%

4 結(jié)語

針對車輛（輪式車、履帶式車）引起的地震動信號的非平穩(wěn)性及非高斯性特征相互重疊的實際情況，本文提出的基于維譜和小波變換—小波包能量譜方法可有效抑制車輛引起的地震動信號的非平穩(wěn)性及非高斯性特征重疊情況。聯(lián)合提取出的特征參數(shù)作為地震動信號的特征向量，輸入以訓練誤差為目標的BP神經(jīng)網(wǎng)絡中，識別率達到81.25%以上。可見此方法能夠準確地進行目標特征提取并對地震動信號進行有效地識別。本文的研究為輪式車、履帶式車間的特征提取及識別提供了新途徑，對推動遠距離車輛間的目標檢測及識別方法的發(fā)展有著重要意義。

[1]姚姚.地震波場與地震勘探[M].北京：地質(zhì)出版社，2006.

[2]藍金輝，李虹，周兆英.目標地震動信號的特征提取及識別研究[J].地震動與沖擊，2001，20(4)：42-44.

[3]石云波，劉俊，王玲.地面運動目標的震動信號的特性分析[J].傳感技術學報，2007，20(4)：874-876.

[4]張中民，李貴濤，李科杰.戰(zhàn)場目標聲/震偵察與識別[J].火力指揮于控制，2001，26(2)：48-51.

[5]Peter Maxwell，Jon Tessman，Bruce Reichert.Design through to production of a MEMS digital accelerometer for seism ic acquisition[J].Special Topic Land Seism ic Surveys and Technology,2001，19(3):141-143.

[6]聶偉榮.多傳感器探測與控制網(wǎng)絡技術—地面運動目標震動信號探測與識別[D].南京：南京理工大學，2002.

[7]樊養(yǎng)余，陶寶祺，熊克，等.艦船噪聲的維譜特征提取[J].聲學學報，2002，27(1)：70-76.

[8]Hyung O Park,Alireza A Dibazar,Theodore W Berger.Protecting m ilitary perimeters from approaching human and vehicle using biologically realistic dynam ic synapse neural network[J].International Journal of Control,2008, 18(9):73-78.

[9]孫潔娣，靳世久.基于小波包能量及高階譜的特征提取方法[J].天津大學學報，2010，43(6)：562-566.

Feature Extraction Method of Seism ic Signals Based onDimensional Spectrum and Wavelet Packet Energy

ZHANG Ya-dong,HUA Chun-rong,DONG Da-wei, YAN Bing,LU Zhi-wen,XIE Xiao

(College of Mechanical Engineering,Southwest Jiaotong University,Chengdu 610031,China)

Aiming at the problem of the overlap of non-stationary and non-Gaussian characteristics in seismic signals generated by vehicles(wheeled vehicles and tracked vehicles),the features of seismic signals generated by ground moving targets are studied.It is elaborated theoretically that thedimensional spectrum can elim inate Gaussian white noise or colored noise in vehicle induced seismic signals.A feature extraction method combining thedimensional spectrum analysis with wavelet packet energy spectrum is proposed to distinguish different vehicle targets.At first,the joint eigenvectors ofdimensional spectrum and wavelet packet energy spectrum are constructed in time-frequency domains as the seism ic signals.Then,the BP neural network pattern classifier with error training as a target is established to identify the two types of vehicle signals.The results of field experiments show that this method can identify the seismic signals effectively and accurately.

vibration and wave;seism ic signal;dimensional spectrum;wavelet packet energy spectrum;feature extraction;pattern recognition

TB52；TN911.6

A

10.3969/j.issn.1006-1335.2014.01.037

1006-1355(2014)01-0164-05

2012-05-03

張亞東（1987-)，男，甘肅省會寧縣人，在讀碩士生，目前從事車輛噪聲與振動控制研究。

華春蓉(1975-)，女，副教授，博士，主要從事噪聲與振動控制、內(nèi)燃機故障診斷與專家系統(tǒng)等方面的研究。

E-mail:Aliyzyd@163.com