Page 65 - 《应用声学》2019年第6期

第 38 卷 第 6 期 宿元亮等： 流形学习在运动声源声特征提取方面的研究 967

4 4
ηՂ l
3 ηՂ m 3
2 ηՂ n 2
1 1 ηՂ o
ኄʼ፥ -1 0 ኄʼ፥ 0 ηՂ p
ηՂ q
-2 -1
-3 -2
4
-4 4 2 4
3 2
2 0 2
1 0 0
0 -2 ኄʷ፥ ኄ̄፥ -2
-1 -2 ኄʷ፥
-2 -4 -4
-3 -4
ኄ̄፥
(a) M / ⊲௑Ͱ፥ืॎፇ౞ (b) M / ⊲௑͌ᄾηՂͰ፥ืॎፇ౞
图 8 STFT-LLE 低维流形结构
Fig. 8 STFT-LLE low-dimensional manifold structure
STFT-LLE 低维流形结构图显示：同一马赫数 间段的频率值。STFT-LLE方法提取的流形保留了
下，仿真声信号的低维流形结构都存在很大差异， 声信号短时谱中的频率特征。此外，随着仿真信号
同时不同马赫数下仿真声信号的低维流形结构也 所含频率成分的增加，流形结构的弯曲个数也逐渐
不同。 增加。
从以上仿真结果中可以得出： (5) STFT-LLE 方法提取的低维流形特征在结
(1) 采用 STFT-PCA 方法与 STFT-LLE 方法 构上能够分布在不同空间区域的流形即可作为区
对各仿真声信号进行特征提取，都能够得到各信号 分不同声信号的特征向量，并利用分类器完成后期
的低维流形结构，这说明 STFT 作为运动声特征初 不同声源的识别。
步提取以及构建高维特征矩阵具有可行性。
(2) 对于STFT-PCA方法：如图7 所示，同一马 3 结论
赫数下的仿真声信号流形结构 (图 7(a)、图 7(b) 与
本文针对运动声信号的特征提取问题，主要研
图7(c))及(图7(d)、图7(e)与图7(f))存在一定差异，
究了算法高维特征矩阵构建的问题。提出了STFT-
但不同马赫数下的同频声信号流形结构 (图 7(a) 与
LLE 流形学习方法并将该方法应用于亚音速运动
图 7(d))、(图 7(b) 与图 7(e)) 及 (图 7(c) 与图 7(f)) 几
车辆的声特征提取中，得到初始的低维流形结构。
乎一样，这使得提取两种状态的特征向量相差无几，
本文研究采用理论算法仿真分析，利用所提出的方
后期难以分类识别。 法，将流形学习应用于运动声特征提取，使得声特
(3) 对于 STFT-LLE 方法：如图 8 所示，同马赫 征从时频域转化到流形域上表征，成为一种可行的
数下的仿真声信号流形结构存在差异 (l、m 与 n) 及 声特征提取思路，并通过仿真验证方法所提出的可
(o、p与q)，不同频率的特征从下到上依次分开聚集； 行性。
对于不同马赫数信号流形结构 (l 与 o)、(m 与 p) 及
(n 与 q) 有区分度，低维特征分量类内距 d 随马赫数
的增加而增大。初步验证了STFT-LLE方法提取的 参 考 文 献
低维流形对后期声信号分类识别的有效性。
(4) 流形物理意义如下：STFT-PCA 方法所提 [1] 戴淼, 李亚安. 距离依赖的声速场反演与运动声源的跟踪定
位 [J]. 振动与冲击, 2018, 37(2): 17–23, 50.
取的流形结构几乎没有呈现出信号内在规律，从而 Dai Miao, Li Ya’an. Inversion of range-dependent sound
无法解释其物理意义。STFT-LLE方法提取各仿真 speed fields and tracking ＆ positioning moving sound
声信号的流形结构两端特征分布密集，对应短时谱 sources[J]. Journal of Vibration and Shock, 2018, 37(2):
17–23, 50.
中特征频率变化较平缓时间段的频率值；其他区域
[2] 张炳文, 郑坚, 熊超. 周期运动声源的双阵列定位 [J]. 国防科
特征分布稀疏，对应短时谱中特征频率变化急促时 技大学学报, 2017, 39(1): 174–181.