飛機駕駛艙特定聲音信號提取

， ，

(1.西北工業(yè)大學航空學院，陜西 西安 710072；2.西安計量技術(shù)研究院，陜西 西安 710068)

飛機駕駛艙特定聲音信號提取

楊恒1，陸宇1，白文虎2

(1.西北工業(yè)大學航空學院，陜西 西安 710072；2.西安計量技術(shù)研究院，陜西 西安 710068)

針對現(xiàn)階段國內(nèi)對艙音記錄儀(CVR)，所記錄聲音的辨別和分析方法沒有充分利用機艙內(nèi)聲音的定源特性，不能準確地分辨出飛機上特定聲音，提出了一種基于獨立成分分析(ICA)對艙音信號進行分離的方法，用Matlab軟件進行了仿真，并通過蒙特卡洛方法(MCM)計算多組實驗數(shù)據(jù)的性能指標，以驗證算法的穩(wěn)定性。結(jié)果表明，該方法可以比較高效地提取出飛機機艙中特定語音信號。

艙音記錄儀；獨立成分分析；蒙特卡洛方法

0 引言

艙音記錄儀(CVR)是飛機上記錄駕駛艙內(nèi)的音頻信號的設備，它所記錄的聲音主要包括機組人員的對話聲、警報聲、開關(guān)聲以及環(huán)境噪聲等。艙音記錄儀所記錄的聲音對于空難的調(diào)查有著指導性的作用，它記錄著飛機失事前駕駛艙內(nèi)一切與事故有關(guān)的聲響。因此，對艙音信號的準確分析是極其重要的。

目前，國內(nèi)在分析CVR所采用的主要方法是，首先，通過計算機譯碼系統(tǒng)對艙音信號譯碼，然后，通過音頻軟件處理后通過人耳辨聽來識別[1-2]。這樣的話，沒有充分體現(xiàn)艙音信號的一些顯著特點，比如，駕駛艙內(nèi)大多數(shù)聲源都是不動的。根據(jù)信號的定源性，就可以通過獨立成分分析(ICA)來處理艙音信號。

獨立成分分析是一種基于統(tǒng)計學的混合信號分離方法。這種方法的顯著優(yōu)點是無需任何源信號的先驗條件，只需要通過分析多路混合信號便可以還原源信號[3]。獨立成分分析的前提是源信號的獨立性與非高斯性，這在駕駛艙內(nèi)顯然是完全滿足的。獨立成分分析的一個優(yōu)點是對源信號的頻率、振幅都沒有嚴格的要求，這意味著在嘈雜且夾雜高頻的環(huán)境中也可以進行有效分離。

在此，系統(tǒng)將獨立成分分析方法用于艙音信號的分離，使用Matlab軟件進行了仿真與分析，并用蒙特卡洛方法驗證了算法穩(wěn)定性。

1 基于獨立成分分析的盲源分離算法

1.1 盲源分離的數(shù)學模型

盲源分離的數(shù)學模型表示為：

x(t)=As(t)

(1)

s(t)=[s1(t)，s2(t)，…，sN(t)]T為一組未知且獨立的源信號矢量；x(t)=[x1(t)，x2(t)，…，xM(t)]T為一組觀測信號矢量；A∈RM×N為未知混合矩陣。每個信號xi(t)都是N個未知源信號si(t)的線性組合。

盲源分離的目的就是求解一個分離矩陣B，僅僅通過觀測信號矢量x(t)的值，便可以還原出源信號矢量s(t)。分離過程可用數(shù)學模型表示，即

y(t)=Bx(t)

(2)

y(t)=[y1(t)，y2(t)，…，yN(t)]是一組估計信號矢量。在僅考慮加性噪聲的情況下，由于其獨立性，加性噪聲也可以看作源信號矢量來處理。令s1(t)=[s1(t)，s2(t)，…，sN(t)]為非噪聲信號的源信號矢量；s2(t)=[si+1(t)，s2(t)，…，sN(t)]為加性噪聲源信號矢量，則盲源分離的系統(tǒng)如圖1所示。

圖1 盲源分離系統(tǒng)

1.2 獨立成分分析[4-7]

1.2.1 梯度法

(3)

α(t)可控制每一次迭代的步長。不斷重復上式直到收斂，即直到2個相鄰解之間的歐氏距離‖B(t)-B(t-1)‖<ε，ε為所要求的最大誤差。

代價函數(shù)的選取可以參考度量系統(tǒng)非高斯的物理量，如峭度(累計矩)、負熵、互信息和極大似然估計等。

1.2.2 基于負熵的快速不動點算法(FastICA)

熵是非高斯性的度量，變量非高斯型越大，熵就越大，高斯變量的熵為0。負熵的定義為：

J(x)=H(xgauss)-H(x)

(4)

H為變量熵的函數(shù)；xgauss和x為有相同協(xié)方差矩陣的某個高斯隨機變量。計算負熵非常困難，通常用一個非二次函數(shù)G近似為：

J(x)?[E{G(x)}-E{G(v)}]2

(5)

G一般選擇的格式為：

(6)

基于負熵的快速不動點算法的計算流程[3]為：

a.對數(shù)據(jù)中心化使其均值為0。

b.白化數(shù)據(jù)。

c.選擇一個具有單位范數(shù)的初始化向量ω。

d.ω←E{zg(ωTz)}-E{g(ωTz)}ω，g通常選取函數(shù)G的導數(shù)。

e.標準化ω，ω←ω/‖ω‖。

f.若收斂，結(jié)束；若不收斂，返回步驟d。

2 若干定源噪聲下對目標語音信號濾噪仿真

2.1 無噪聲混合信號分離實驗

將算法首先應用于無噪聲混合信號的分離，在相對理想的情況下驗證算法分離效果的好壞。算法分離效果的好壞可以參考性能指標PI。若A為混合矩陣，B為解混矩陣，令G=BA，則PI的計算公式為:

(7)

在幾乎無噪聲的情況下，環(huán)境中有2個通道人說話的聲音，1個通道MP3播放的聲音。采集到的3聲源3通道混合信號如圖2所示。在使用FastICA算法分離后，生成3組分離信號如圖3所示。

由圖2，圖3可以看出，分離后的1、2通道為人說話的波形，在不發(fā)聲的階段，波形無噪點無振蕩。這也證明，在完全沒有噪聲的情況下分離效果非常好。

圖2 無噪聲混合信號

圖3 分離后的信號

2.2 含噪聲混合信號分離

大部分環(huán)境中都少不了噪聲的存在，根據(jù)獨立成分分析的原理，對于信號中的非高斯加性定源噪聲，可以通過算法來分離。為了能夠體現(xiàn)出獨立成分分析在對定源噪聲去噪中的優(yōu)勢，在所要分離的4個通道中，混入了1個通道高頻信號和1個通道低頻信號，剩下的2個通道是所要提取的有用信息。

圖4是4個含噪混合波形，在使用FastICA算法分離后的時域圖如圖5所示。從圖5可看出，2組語音信號，2組噪聲信號被分離出來。對分離后的波形進行頻譜分析的結(jié)果如圖6所示。從 圖6可以看出，高頻信號和低頻信號都被有效地分離了出來，并且提取到了比較高質(zhì)量的有用信號。

圖4 含噪混合信號

與傳統(tǒng)的去噪方法相比，文中的方法優(yōu)點是，在麥克風能接收到的頻率范圍內(nèi)，無需考慮噪聲的頻率，對噪聲振幅的要求也不是非常嚴格。這意味著可以在噪聲信號振幅比較大的情況下，提取出有用的信號，噪聲信號的頻率也可以是多變的。另外，對于多個定源噪聲，也可以對目標信號進行有效的分離。

圖5 分離后的信號

圖6 頻譜分析

3 駕駛艙內(nèi)特定聲音提取仿真

飛機駕駛艙內(nèi)聲音信息復雜，定源聲音主要是人對話的聲音、麥克風講話的聲音、警報聲和按鈕聲等。傳統(tǒng)的艙音記錄儀有接收來自4個麥克風通道的聲音，分別是機長、副機長、第三機組人員的麥克風捕捉說話聲以及駕駛艙中間某處的麥克風捕捉的環(huán)境聲音。要利用ICA算法對艙音記錄儀進行信息提取，需要滿足麥克風的數(shù)目大于或者等于環(huán)境中定源的聲源數(shù)。

駕駛艙內(nèi)除去要提取的一些定源聲音信號外，還存在復雜的環(huán)境聲音，包括氣流摩擦機身的聲音、電氣設備產(chǎn)生的交流噪聲等。這些聲音信號通常無規(guī)則且無突變性，本文僅討論了定源信號的分離性能，將非定源聲音信號用一個飛機起飛時的轟鳴聲近似。

圖7～圖10是駕駛艙內(nèi)的一些樣本聲音，通過對這些樣本聲音進行隨機混合之后，就可以得到各個混合通道接收到的信號。

圖7 警報和按鈕的聲音實驗樣本

圖8 駕駛員說話聲音實驗樣本

圖9 麥克風通話聲音實驗樣本

圖10 環(huán)境聲音實驗樣本

在matlab下生成隨機混合矩陣，即

混合后的信號如圖11所示。分析計算源信號數(shù)目對性能指標的影響，性能指標如圖12所示，隨著源信號與混合通道數(shù)目的增多，F(xiàn)astICA算法的性能指標有比較小的增幅，事實上，性能指標處于10-1量級就可以說明分離效果是比較好的，分離信號如圖13所示。

由于性能指標的計算是通過僅給出1組混合矩陣計算出來的，為了證明算法的穩(wěn)定性，圖14給出了使用蒙特卡羅算法[8]得出的1 000組隨機矩陣模擬仿真過程以及結(jié)果。圖14中，在對1 000組數(shù)據(jù)進行計算后，性能指標處于10-1量級，分離效果是比較好的。

圖11 混合通道

圖12 性能指標

圖13 分離信號

圖14 性能指標PI蒙特卡洛仿真

4 結(jié)束語

采用獨立成分分析對無噪語音信號、定源噪聲語音信號與艙音信號進行了盲分離仿真。其中，對帶噪語音分離后作了頻譜分析，說明了獨立成分分析對于嘈雜的高頻環(huán)境也可以有效地分離，唯一的缺點就是噪聲信號與目標信號必須是定源的，因此，在大部分定源情況下是可以應用的。對分離后的模擬艙音信號，計算了FastICA算法的性能指標，并通過蒙特卡洛仿真計算1 000組實驗數(shù)據(jù)的性能指標，從而驗證了算法的穩(wěn)定性。通過計算結(jié)果可以得出，對于艙音信號，獨立成分分析可以充分利用信號之間的獨立性與信號的非高斯型，取得比較好的處理結(jié)果。

[1] 舒平，鐘民主，楊琳.艙音記錄器譯碼系統(tǒng)的改進方法[R] .銀川:中國航空學會，2006.

[2] 舒平，鐘民主，楊琳.艙音記錄器譯碼系統(tǒng)的改進[C]//探索創(chuàng)新交流-中國航空學會青年科技論壇文集，2004.

[3] 趙彩花.帶噪混疊語音信號盲分離方法研究[D].濟南：山東大學，2006.

[4] AapoHyv?rinen，JuhaKarhunen，ErkkiOja.獨立成分分析[M].周宗潭，董國華，徐昕，等譯.北京：電子工業(yè)出版社，2007.

[5] Hyv?rinen A，Oja E.A fast fixed-point algorithm for independent component analysis[J].Neural Computation，1997，9(6):1483-1492.

[6] Hyv?rinen A，Karhunen J，Oja E.Independent component analysis [M].New York: John Wiley & Sons，Inc，2001.

[7] Hyv?rinen A.Fast and robust fixed-point algorithms for independent component analysis[J].IEEE Trans.On Neural Networks，1999，10(3):626-634.

[8] 尹增謙，管景峰，張曉宏，等.蒙特卡羅方法及應用[J].物理與工程，2002 ，12 (3):45-49.

Extraction of Specific Voice in Aircraft Cabin

YANGHeng1，LUYu1，BAIWenhu2

(1.School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China;2.Xi’an Institute
of Measurement and Testing Technology，Xi’an 710068，China)

At the present stage，the identification and analysis of the acoustic signals in Cockpit Voice Recorder (CVR) cannot identify the specific voice in airplane efficiently which ignore the characteristic of the fixed acoustic source in cabin.A method based on Independent Component Analysis (ICA) is proposed to separate acoustic signals in this paper.The simulation is done by Matlab，many groups of experiment data are analyzed by Monte Carlo Method (MCM) to confirm the stability of this algorithm，and the results show that the specific voice is extracted efficiently.

CVR; ICA; MCM

2014-09-16

國家自然科學基金資助項目(61003137)；國家大學生創(chuàng)新創(chuàng)業(yè)訓練項目(201210699024)

A

TN911.72

1001-2257(2014)12-0016-04

楊恒(1992-)，男，陜西榆林人，碩士研究生，研究方向為模式識別，圖形圖像處理，多媒體與虛擬現(xiàn)實，飛行器電系統(tǒng)故障與預測的智能方法；陸宇(1992-)，男，內(nèi)蒙古呼和浩特人，碩士研究生，研究方向為模式識別，基于視覺的無人機自主飛行以及飛行器虛擬維修；白文虎(1975-)，男，陜西渭南人，技術(shù)員，研究方向為電子工程應用。