Page 51 - 《应用声学》2020年第2期

第 39 卷 第 2 期 吴涢晖等： 应用支持向量机和人工神经网络对大气次声信号识别的初步实验 209

1.5
ᆁ௑ቔ ᫂௑ቔ
1.0
0.5
ܦԍ/Pa -0.5 0

-1.0
-1.5
-2.0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
᧔ನག஝
(a) ൓ܦฉॎڏ
5.0
2൓ 4.5
4.0
3.5
6൓ 3.0
2.5
18൓ 2.0
1.5
1.0
0.5
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
᧔ನག஝
(b) STA/LTAඋϙڏ
图 1 R 对信号检测的影响
Fig. 1 The effect of R on effective signal detection

信号，组成实验信号样本。然后又从台站采集的数
2 基于小波包分解的信号能量特征 据中提取出 507 段信号 (这些信号实为噪声)，与上

述事件信号共同组成机器学习的样本库。
信号的特征主要包括时域特征、频域特征和时
某次事件信号的时域波形和频域波形如图2 所
频联合域特征。时域特征包括信号的均值、方差、均
示，对信号进行 3层小波包分解，每个节点的分解系
方根、最大最小值、峭度、脉冲因子、波形因子等，是
数如图3所示。
对信号变化描述最基本、最直观的表达形式；频域
利用小波包分解系数对信号进行重构，得到各
特征是对信号的频率变化和分布情况进行分析得
频带内的重构信号如图 4 所示，计算各频带内重构
出的与频率相关的特征，包括重心频率、均方频率
信号的能量占总能量的百分比如图5所示。
等；时频域特征则提供了时间域与频率域的联合分
对所有采集的信号进行小波包分解，然后利用
布信息，描述了信号频率随时间变化的关系，主要有 小波包分解系数对信号进行重构，计算各频带内重
短时傅里叶变换、小波变换、Wigner-Ville 变换、希 构信号的能量占总能量的百分比。可以发现这些事
尔伯特-黄变换等。 件信号的频率主要集中在15 Hz 以下，在25 ∼ 50 Hz
小波包分解采用小波变换，对信号进行逐层分 频段范围内的信号能量基本为 0，因此只能选取小
解形成一个完整的树状结构，它可以根据需要调整 波包分解前半部分节点的能量占比作为特征向
时间与频率分辨率，而对信号本身的信息造成的损 量，则需要对这些信号数据进行 k (k = 2, 3, · · · , 6)
失比较小，具有多分辨分析的特点。 层小波包分解，构造出的特征向量 V 的维数等于
本文采用中国科学院声学研究所的 InSAS n(n = 2 k−1 , k = 2, 3, · · · , 6)，计算方法如下：
2008 型电容式次声传感器分别在海南、西昌、白 [ ]
V = E 1 /E, · · · , E n /E ,
城等地搭建了实验台站，设置 STA/LTA 事件检测 k
算法的长时窗为50 s，短时窗为5 s，检测阈值为3.2， n = 2 , k = 2, 3, · · · , 6, (2)
收集了大量的事件信号 (包括闪电、台风、化爆试验 式 (2) 中，E 表示信号总能量；E 1 ∼ E n 表示各频带
等)。通过对这些信号进行分析，从中选取了 108 个 内的能量。