飛機(jī)噪聲識別方法研究及FPGA固化實(shí)現(xiàn)

李 國，韓學(xué)良＋，段 鋼

（1.中國民航大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津300300；2.北京首都國際機(jī)場股份有限公司，北京100621）

0 引 言

實(shí)時識別飛機(jī)噪聲可以避免因存儲和發(fā)送大量的非飛機(jī)噪聲數(shù)據(jù)造成的資源浪費(fèi)，為準(zhǔn)確評價(jià)飛機(jī)噪聲對周邊居民的影響奠定了基礎(chǔ)，對于民航機(jī)場噪聲監(jiān)測與評價(jià)具有重要意義。目前，飛機(jī)噪聲識別研究主要集中在特征提取方面，國外如線性預(yù)測模型算法［1］、匹配搜索算法［2］，國內(nèi)如經(jīng)驗(yàn)?zāi)B(tài)分解法［3］、小波包分析和Mel倒譜分析結(jié)合法［4］等，這些方法固然取得了一定的成果，但是由于算法本身過于龐雜，硬件實(shí)現(xiàn)難度大，仍局限于學(xué)術(shù)研究，況且特征提取僅是噪聲識別的一部分，所以研究成果應(yīng)用較少。當(dāng)前尚沒有一套便捷有效的方案解決飛機(jī)噪聲識別問題，現(xiàn)有的機(jī)場噪聲監(jiān)測系統(tǒng)只能通過檢測聲壓是否超過某個指定的閾值來判段飛機(jī)噪聲事件，有些則通過噪聲事件持續(xù)的時間來判別，錯誤率高。本文在前人工作的基礎(chǔ)上，從噪聲特征提取、特征精簡、分類器設(shè)計(jì)到FPGA固化均作了有效嘗試，提出了一套簡易可靠的飛機(jī)噪聲識別方案，并用FPGA 予以實(shí)現(xiàn)。

1 特征提取

噪聲特征提取的好壞直接影響著整體識別效果［5］，為了獲取足夠的頻譜信息，借助于1／3倍頻程濾波算法，用聲壓級譜分析法從噪聲主頻分布的角度對噪聲提取特征，實(shí)現(xiàn)流程如圖1所示。

由于人耳的聽覺范圍在20Hz～20kHz之間，結(jié)合飛機(jī)噪聲中低頻突出的固有特性，選取飛機(jī)噪聲影響人們生活最為嚴(yán)重的頻段8.91Hz～22.4kHz作為特征域［6，7］，用1／3倍頻程分析法將其從低頻到高頻劃分成34個頻帶，見表1。斜體是分配的頻帶標(biāo)號，下邊為對應(yīng)的帶寬。

按照圖1流程對一個持續(xù)10秒鐘的飛機(jī)噪聲事件處理后產(chǎn)生的34個1／3倍頻帶聲壓級如圖2所示，上圖為該噪聲事件歸一化為［－1，1］后幅值特性曲線，下圖為其對應(yīng)的一組1／3倍頻程聲壓級譜，橫坐標(biāo)頻帶序號與表1對應(yīng)。由圖2中可以看出特征之間差異明顯，十分利于分類器的識別。

圖1 1／3倍頻程聲壓級譜分析方法流程

表1 1／3倍頻程帶寬劃分

圖2 單個飛機(jī)噪聲事件及其對應(yīng)的一組1／3倍頻程聲壓級譜

2 分類器設(shè)計(jì)與特征精簡

針對上節(jié)提取的飛機(jī)噪聲特征信息，構(gòu)建合適的分類器可以使噪聲識別效果更加顯著。本節(jié)先采用改進(jìn)的均方根法［8］檢驗(yàn)噪聲識別效果，得出了不同的特征信息應(yīng)當(dāng)區(qū)別看待這一結(jié)論，進(jìn)而引出噪聲特征精簡的可能性與必要性。噪聲特征信息優(yōu)化處理后，經(jīng)支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的均方根法等［9，10］算法進(jìn)行識別并比較其分類效果，最后分析了這些算法在飛機(jī)噪聲識別中的優(yōu)勢與不足之處。

2.1 改進(jìn)的均方根法

2.1.1 加入特征分散程度參數(shù)Rate

將提取的每一組特征值看作一個多維向量，找出訓(xùn)練集中同一類樣本每一維特征的最大值和最小值：Max（i）、Min（i）（i≥1，i∈N），設(shè)Rate為［0，1］內(nèi)的實(shí)數(shù)，為第i維特征的均值，若一條測試樣本（x1，x2…xn）的第i維方差記作Qi，令

圖3 參數(shù)Rate的變化對樣本錯分?jǐn)?shù)目的影響

2.1.2 加入權(quán)重參數(shù)C

圖4 參數(shù)C的變化對樣本錯分?jǐn)?shù)目的影響

由這兩種方法的識別效果可以分析出：①改進(jìn)的均方根法在飛機(jī)噪聲識別中效果顯著；②噪聲樣本分布曲線應(yīng)接近于鐘形，不然Rate的變化對識別準(zhǔn)確率的影響不會很大，同時也說明了加入?yún)?shù)Rate的必要性；③噪聲特征信息應(yīng)當(dāng)區(qū)別看待，否則加入?yún)?shù)C 之后識別準(zhǔn)確率應(yīng)當(dāng)下降，實(shí)驗(yàn)結(jié)果也表明了精簡噪聲特征是很有可能的。

2.2 特征優(yōu)化

如果噪聲特征維數(shù)太大，硬件實(shí)現(xiàn)將占用大量的存儲、組合邏輯資源，給噪聲識別帶來過高的復(fù)雜度，剔除冗余特征［11，12］可以使噪聲識別更加高效便捷。圖5給出了9組包含3個特征的樣本，在特征①、②、③中，特征①與③的浮動方向和浮動幅值基本保持一致，可以僅保留特征①和③中的一個，這樣就有效降低了特征向量的維數(shù)，同時保存了特征對信息的表達(dá)能力。

圖5 特征之間相似性示意

為了進(jìn)一步說明精簡噪聲特征的必要性，下面引入相關(guān)系數(shù)的概念。在統(tǒng)計(jì)學(xué)領(lǐng)域中，相關(guān)系數(shù)顯示了兩個隨機(jī)變量之間線性關(guān)系的強(qiáng)度和方向，是衡量兩個隨機(jī)變量間線性相關(guān)程度的指標(biāo)［13］。最常用的相關(guān)系數(shù)是皮爾遜積差相關(guān)系數(shù)，定義為

式中：Cov（X，Y）——隨機(jī)變量X、Y 之間的協(xié)方差；——變量X、Y 的標(biāo)準(zhǔn)差。

設(shè)X、Y 為n（n≥1）維向量，F(xiàn)（xi）為n 維向量映射的數(shù)據(jù)函數(shù)，兩組向量X、Y 的線性相關(guān)系數(shù)可由式（5）—式（7）獲得

為了進(jìn)一步說明所提取的特征之間線性相關(guān)的程度，繪制訓(xùn)練集內(nèi)任意兩個特征的相關(guān)系數(shù)及其等值線，如圖6所示。由圖中可以看出xy 平面正對角線附近相關(guān)系數(shù)明顯很大，緊鄰特征的相關(guān)系數(shù)基本都大于0.9，由此說明相鄰的特征線性相似度高，剔除相關(guān)性強(qiáng)的冗余特征顯得尤為必要。

剔除冗余特征流程如圖7所示。在R＝0.9時，將34維特征按所述流程處理后，僅保留了第1、4、10、13、16、17、18、20、23、25、29、32、33、34維共14個特征，大幅度降低了特征維數(shù)。

圖6 34個特征之間線性相關(guān)程度

圖7 特征優(yōu)化流程

特征優(yōu)化前后用改進(jìn)的均方根法進(jìn)行識別比較，效果見表2。由表中可以看出雖然去除了部分特征，噪聲識別準(zhǔn)確率有所下降，但是剩余特征的信息表達(dá)能力依然強(qiáng)健，再者精簡后的特征子集不足原來的一半，有效節(jié)約了硬件實(shí)現(xiàn)算法所需資源，這符合噪聲識別模型FPGA 固化的需要。

表2 特征優(yōu)化前后改進(jìn)的均方根法識別效果

2.3 支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的均方根法識別效果

用保留下來的特征組成精簡訓(xùn)練集和測試集進(jìn)行識別測試，支持向量機(jī)選取不同核函數(shù)時與BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)的均方根法相比較，比較結(jié)果見表3。

在以上幾種分類方法中，支持向量機(jī)的Linear核函數(shù)和RBF核函數(shù)取得了較好的效果，因此分類器的固化優(yōu)先選用支持向量機(jī)分類器。同BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)的均方根法相比，在實(shí)際應(yīng)用中支持向量機(jī)除了具有較好的識別效果外，還具有表4 所示特性［14，15］，所以在飛機(jī)噪聲識別中，支持向量機(jī)更適合于作為分類器。

3 分類器固化

由于支持向量機(jī)在多種方面都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)的均方根法，考慮到實(shí)時分類的要求，下面以支持向量機(jī)線性分類器為例介紹其FPGA 固化方法［16］。線性支持向量機(jī)最優(yōu)分類函數(shù)

改寫后為

圖8 SVM 線性分類器時序仿真結(jié)果

由圖中容易分析出，當(dāng)do 為 “1”，時鐘上升沿到來時，開始分類，分類過程在一個時鐘周期內(nèi)完成，判定結(jié)果 “10”表示飛機(jī)噪聲，同時分類完成標(biāo)志c＿done 置“1”，間隔一個周期測試樣本完成數(shù)據(jù)變更后再次分類，判定結(jié)果 “01”表示非飛機(jī)噪聲。當(dāng)異步清零信號clr來臨，分類結(jié)果result信號和分類完成指示信號c＿done均被清零。分類結(jié)果同預(yù)期的目標(biāo)一致，表明所設(shè)計(jì)的分類器固化模型是正確的；分類過程在一個時鐘周期內(nèi)就可以完成，說明分類器在FPGA 上的固化具有強(qiáng)實(shí)時性的特點(diǎn)，能夠滿足噪聲實(shí)時分類的需要。

4 結(jié)束語

本文通過借鑒1／3倍頻程分析法、均方根法、相關(guān)系數(shù)分析法、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等算法思想，從噪聲特征提取、分類器構(gòu)建、特征優(yōu)化到最終的分類器固化，詳細(xì)介紹了一套飛機(jī)噪聲識別方案，并結(jié)合Altera公司的QuartusII軟件，最終在FPGA 上實(shí)現(xiàn)了噪聲實(shí)時分類。在目前國內(nèi)還沒有一套公開認(rèn)可的飛機(jī)噪聲識別方案這一背景下，得出如下結(jié)論：①在飛機(jī)噪聲識別中，改進(jìn)的均方根法具有顯著的識別效果；②用1／3倍頻程頻譜分析法提取噪聲特征，經(jīng)相關(guān)系數(shù)分析法精簡特征信息后再結(jié)合支持向量機(jī)進(jìn)行識別是一套穩(wěn)定可靠的飛機(jī)噪聲識別方案；③支持向量機(jī)分類過程可以高速運(yùn)行在FPGA 上，能夠滿足飛機(jī)噪聲實(shí)時識別的需要。

當(dāng)然上述方案也存在一些有待改進(jìn)和值得進(jìn)一步研究的問題，以噪聲事件識別飛機(jī)噪聲僅能夠區(qū)分單聲源噪聲事件，若多個聲源糅合在一起時如何區(qū)分聲源還需要進(jìn)一步研究。

［1］Mohajeri R，F(xiàn)ricke FR.Acoustical feature extraction from aircraft and traffic noise［J］.Annual Australian Acoustical Society，1996，24 （10）：5－10.

［2］Chu Selina，Shrikanth Narayanan，Jay Kuo C－C.Environmental sound recognition using MP－based features［C］／／IEEE International Conference on Acoustics，Speech and Signal Processing，2008：1－4.

［3］LV Yanxin，SUN Shuxue，GU Xiaohui.Battlefield acoustic target classification and recognition based on EMD and power ratio［J］.Journal of Vibration and Shock，2011，27 （11）：51－55 （in Chinese）. ［呂艷新，孫書學(xué)，顧曉輝.基于EMD和能量比的戰(zhàn)場聲目標(biāo)分類與識別 ［J］.振動與沖擊，2011，27 （11）：51－55.］

［4］ZENG Fan，LU Guang，LI Guohong.The feature extraction from Battlefield passive acoustic targets based on wavelet packet analysis.Journal of projectiles ［J］.Rockets，Missiles and Guidance，2010，30 （2）：240－242 （in Chinese）. ［曾番，鹿光，李國宏.基于小波包分析的戰(zhàn)場被動聲目標(biāo)特征提?。跩］.彈箭與制導(dǎo)學(xué)報(bào)，2010，30 （2）：240－242.］

［5］Barbo Bertranda，Rosin Christopheb，Machet Jean－Mariec.A pattern recognition approach for aircraft noise detection ［J］.INTER－NOISE，2011，24 （1）：1－10.

［6］WU Yaozhen，YANG Yixin，WANG Xiaoyu.One－third octave masking spectrum method for recognition of underwater targets［J］.Technical Acoustics，2011，30 （6）：538－541（in Chinese）. ［吳姚振，楊益新，王曉宇.水下目標(biāo)識別的1／3倍頻程掩蔽譜方法 ［J］.聲學(xué)技術(shù)，2011，30 （6）：538－541.］

［7］Karen Safaryan，Reinoud Maex，Rod Adams.Non－specific LTD at parallel fibre－Purkinje cell synapses in cerebellar cortex provides robustness against local spatial noise during pattern recognition ［J］.BMC Neuroscience，2011，12 （1）：314－321.

［8］CHEN Xiangtao，LI Mingliang，CHEN Yujuan.Summaly of application research based on clustering of time series similarity［J］.Computer Engineering and Design，2010，31 （3）：577－580 （in Chinese）.［陳湘濤，李明亮，陳玉娟.局基于時間序列相似性聚類的應(yīng)用研究綜述 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （3）：577－580.］

［9］Hamed Ghodrati， Mohammad Javad Dehghani， Habibolah Danyali.A new accurate noise－removing approach for non－cooperative iris recognition ［J］.SIVIP，2012，57 （5）：2824－2832.

［10］SU Tengrong，WU Ji，WANG Zuoying.Spatial correlation transformation for speech recognition ［J］.J Tsinghua Univ（Sci ＆Tch），2009，49 （10）：1655－1659 （in Chinese）.［蘇騰榮，吳及，王作英.用于語音識別的空間相關(guān)性變換 ［J］.清華大學(xué)學(xué)報(bào) （自然科學(xué)版），2009，49 （10）：1655－1659.］

［11］CHEN Hong，LIU Guangyuan，LAI Xiangwei.Affective Recognition from pulse signal using correlation analysis and max－min ant colony algorithm ［J］.Computer Science，2012，39 （4）：250－253 （in Chinese）. ［陳 紅，劉光遠(yuǎn)，賴祥偉.相關(guān)性分析和最大最小蟻群算法用于脈搏信號的情感識別［J］.計(jì)算機(jī)科學(xué)，2012，39 （4）：250－253.］

［12］Chu Yuming，Hou Shouwei，Shen Zhonghua.Sharp bounds for Seiffert mean in terms of root mean square［J］.Journal of Inequalities and Applications，2012，201 （11）：6－13.

［13］ZHOU Yong，LU Xiaowei，CHENG Chuntian.Parallel computer method of canonical correlation analysis for high－dimentional data streams in irregular streams［J］.Journal of Software，2012，23 （5）：1062－1063 （in Chinese）. ［周勇，盧曉偉，程春田.非規(guī)則流中高維數(shù)據(jù)流典型相關(guān)性分析并行計(jì)算方法 ［J］.軟件學(xué)報(bào)，2012，23 （5）：1062－1063.］

［14］QI Ruihua，YANG Deli，HU Runbo.Weighted naive credal classification model based on correlation coefficients ［J］.Computer Engineering and Design，2010，31 （22）：4824－4826 （in Chinese）.［祁瑞華，楊德禮，胡潤波.基于相關(guān)系數(shù)加權(quán)樸素信念分類模型 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （22）：4824－4826.］

［15］CHU Yuming，WANG Miaokun，QIU Songliang.Optimal combinations of root－square and arithmetic means for Toader mean ［J］.Proc.Indian Acad Sci（Math Sci），2012，122（1）：41－42.

［16］WANG Guangling，HE Bin，LI Jinling.Application of FPGA in data receive storage and transmission ［J］.Computer Engineering and Design，2012，33 （9）：3402－3406 （in Chinese）.［王綱領(lǐng)，何賓，李金玲.FPGA 在數(shù)據(jù)接收存儲及傳輸中的應(yīng)用 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33 （9）：3402－3406.］