Page 106 - 《应用声学》2020年第1期

102 2020 年 1 月

低频时分辨率高，因此性能更佳。当 β 为 0.4 时，IF 优于文献 [14] 的算法，虽然单一特征矢量相对文
特征在数据集 1 上关于线性尺度和 Mel尺度上获得 献 [13] 中的结果略差，但通过特征联合可以有效提
最高分类率分别为89.78%和91.56%，β 为0.5时，IF 升分类性能。此外值得注意的是，无论是本文的
特征在数据集 2 上关于线性尺度和 Mel尺度上获得 IF特征还是文献[13] 和文献 [14]中的两种分类方法
最高分类率分别为 79.58% 和 84.42%，表明该特征 对 DW车型的分类率相对偏低，而本文提出的联合
具有适应性，对不同数据集可以通过调节 β 值使其 特征则能在提高总体分类率的前提下，缩小两种
获得最高分类率。 车型间分类准确率差异，使得车型 DW 分类率接近
95 AAV。
90
表 5 IF 特征及联合特征的分类率 (数据集 1)
85
Table 5 Classification accuracy of IF fea-
80
юᆸဋ/% 75 ture and combination feature (Data Set 1)
(单位：%)
70
ጳভ
65 特征车型 AAV DW 平均
Mel
60 IF(线性) 92.00 87.56 89.78
55
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 IF(Mel) 93.56 89.56 91.56
β ϙ IF(线性)+ 对数能量 93.56 93.56 93.56
图 2 不同参数下的 IF 特征分类性能对比图 (数据 IF(Mel)+ 对数能量 96.00 95.11 95.56
集 1)
文献 [13] 98.67 85.33 92.00
Fig. 2 Comparison of IF feature classification per-
文献 [14] 92.50 80.00 86.25
formance under different parameters (Data Set 1)
表 6 IF 特征及联合特征的分类率 (数据集 2)
90
Table 6 Classification accuracy of IF fea-
80 ture and combination feature (Data Set 2)

70 (单位：%)
юᆸဋ/% 60 特征车型 A B C D 平均

50 IF(线性) 70.33 92.50 78.50 77.00 79.58
ጳভ
40 Mel IF(Mel) 77.83 94.83 84.17 80.83 84.42
IF(线性)+ 对数能量 76.83 96.00 88.17 77.84 84.71
30
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
β ϙ IF(Mel)+ 对数能量 83.00 96.00 93.83 80.67 88.38
图 3 不同参数下的 IF 特征分类性能对比图 (数据
在实际应用中，车型识别容易受到噪声干扰，
集 2)
为了验证所提算法的抗噪性，使用文献 [15] 的方
Fig. 3 Comparison of IF feature classification per-
法提取 13维MFCC特征进行对比实验。图4 和图 5
formance under different parameters (Data Set 2)
给出了 Mel 尺度下的 IF 特征及 MFCC 特征在加入
表5和表6显示了最高分类率下的IF特征及联 不同信噪比白噪声下的分类性能。从中可以看出
合特征在两个数据集上的分类率。综合两个数据 IF(Mel) 特征的分类性能在低信噪比下较差，在较
集上的实验结果，IF 特征与对数能量联合能够有效 高信噪比下分类性能普遍优于MFCC特征。在较强
提高车型分类率，在两个数据集上大约有 4% ∼ 5% 噪声存在的情况下，可以考虑在分类前端对车辆噪
左右提升。为了进一步验证本文算法的有效性，比 声信号进行降噪预处理操作以提高系统的噪声鲁
较了文献 [13] 和文献 [14] 的实验结果，本文算法均 棒性。