Page 105 - 《应用声学》2020年第1期

第 39 卷 第 1 期 陈建新等： 基于子带信号瞬时频率的特征提取及其在车型分类中的应用 101

提取的。其可分性测度值如表 1 和表 2 所示。观察 两种车型的可分性测度值明显增加；对比表 2 和
表 1，可以看出随着 β 值的增加，IF特征对两种车型 表 4，当 β 为 0.035 时，四种车型的可分性测度值平
的可分性增加；观察表 2，β 为 0.2 时 IF 特征关于四 均增加了 0.1413，β 为 0.2 时，其可分性测度值平均
种车型可分性测度值相对于 β 为 0.035 时平均增加 增加 0.2194(其中部分有所降低)。表明对数能量与
了 0.0978(其中部分有所降低)。综合上面的实验结 IF特征联合可以增加车型的可分性。
果，IF特征对车型的分类率与β 值有关。
表 3 和表 4 显示了 IF 特征和对数能量联合的 表 4 联合特征的可分性分析 (数据集 2)
可分性测度结果。对比表 1 和表 3，通过特征联合， Table 4 Separability analysis of combina-
tion feature (Data Set 2)
表 1 IF 特征的可分性分析 (数据集 1)
可分性测度值
Table 1 Separability analysis of IF feature 目标类别
A B C D
(Data Set 1)
A 0 0.8358 0.6811 0.5115
可分性测度值 IF(β = 0.035) B 0.8358 0 0.6083 0.6629
目标类别
AAV DW + 对数能量 C 0.6811 0.6083 0 0.6520
AAV 0 0.5284
IF(β = 0.035) D 0.5115 0.6629 0.6520 0
DW 0.5284 0
A 0 1.3569 0.6666 0.6602
AAV 0 0.5466
IF(β = 0.2) IF(β = 0.2) B 1.3569 0 0.5874 1.1008
DW 0.5466 0
+ 对数能量 C 0.6666 0.5874 0 0.6349
表 2 IF 特征的可分性分析 (数据集 2) D 0.6602 1.1008 0.6349 0

Table 2 Separability analysis of IF feature
(Data Set 2) 5 实验仿真

可分性测度值 支持向量机是基于结构风险最小化原则，适用
目标类别
A B C D 于小样本、非线性、高维数和局部极小值点等实际
A 0 0.5022 0.6363 0.2027 问题，分类性能良好 [12] ，本文使用带有线性核函数
B 0.5022 0 0.6198 0.5139 的 SVM 进行分类。实验时，每种车型取 1/2 作为训
IF(β = 0.035)
C 0.6363 0.6198 0 0.6290 练集，1/2作为测试集，取10次重复实验的平均值作
D 0.2027 0.5139 0.6290 0
为分类结果。
A 0 0.6488 0.5446 0.6729
通过第 4 节的特征评价实验表明 IF 特征的分
B 0.6488 0 0.6005 0.6527
IF(β= 0.2) 类性能会受到 β 值影响，取 β 等于 0.035、0.2、0.3、
C 0.5446 0.6005 0 0.5711
0.4、0.5、0.6、0.7、0.8、0.9、1.0，计算在线性尺度和
D 0.6729 0.6527 0.5711 0
Mel 尺度下所提取 IF 特征对车型的分类能力。图 2
表 3 联合特征的可分性分析 (数据集 1) 和图 3 显示了耳蜗滤波器组取不同参数时的 IF 特
Table 3 Separability analysis of combina- 征分类结果。观察图 2 和图 3 可发现使用不同 β 值
tion feature(Data Set 1) 提取的 IF 特征对车型进行分类时，其分类率先增
加后减小，这验证了之前的分析，即耳蜗滤波器的
可分性测度值
目标类别 带宽过宽或过窄都会影响子带信号的瞬时频率估
AAV DW
计，只有选择合适的带宽才能提取性能更优的IF 特
AAV 0 0.6868
IF(β = 0.035)+ 对数能量 征。此外耳蜗滤波器组的中心频率分布同样会影响
DW 0.6868 0
特征性能，Mel 尺度下的 IF 特征对车型的分类能力
AAV 0 0.8002
IF(β = 0.2)+ 对数能量 明显高于线性尺度下的 IF特征，主要原因是车辆噪
DW 0.8002 0
声信号的有用信息集中在低频范围，而 Mel 尺度在