基于HMM的微弱信号特征增强的研究.pdfVIP

基于HMM的微弱信号特征增强研究 黄海宁，尹力，张春华，李启虎 (中国科学院声学研究所，北京 100080) HMM-basedfeature-enhancementofweaksignals HUANGHai-ning,YINLi,ZHANGChun-hua,LIQi-hu (InstituteofAcoustics,AcademiaSinica,Beijing100080,China) 工引 言 微弱水声信号的检测是当前水声信号处理领域RO待解决的问题。洛克希德一马丁公 司的 Shin等人提出了 “全谱 (Full-spectrum)信号处理”的概念，利用 “分类置前检 测”方法检测被动宽带微弱水声信号[17，为这一问题的解决提供了新的思路;Haykin等 人提出的 “非平稳环境下将信号检测问题转化为自适应模式分类问题”的观点及其对海 上浮冰的成功检测 ，’‘，，‘也为 “分类置前检测”方法的可行性提供了有力的佐证;我们 目前 开展的国防 973子专题 “基于信号特征的弱信号联合检测与估计”的研究结果也支持了 这一观点。!『。 要完成 “分类置前检测”，微弱 (被动)信号的线谱特征、方位一历程图中的轨迹变 化等特征的增强是前提之一。隐马尔可夫模型 (HMM)以其较强的对时间序列的建模能力 和处理非线性时变信号方面的优势，在语音识别领域取得了成功的应用，在频率跟踪等 方面也得以推广。本文中，我们将简化的HMM一一维特比 (Viterbi)线提取器用于微弱 信号特征的增强。 2维特比线提取器 一个HMM可以用入=(A,B,8)来表示，其中A,B和a分别表示状态转移矩阵、观 测概率矩阵和初始概率分布向量。要利用 HMM对微弱信号的时频分布图或方位一历程图 进行特征增强，常规的做法分为两个阶段:一是训练阶段，二是识别阶段。然而，这样 的做法在实际中是不可行的，原因有两个: (1)要得到较精确的模型参数，需要高信噪 比的训练数据，而实际的数据满足不了这一要求; (2)训练计算量大，过程耗费时间 长，不利于实时处理。因此，在实际中，我们对这一过程进行了简化和修正:略去训练 阶段，而是根据先验知识，对模型参数作大致的预估。下面，以线谱增强为例，给出这 一算法的详细说明。在本算法中所用的参数主要有两个:状态转移矩阵和似然比分数。 (1)状态转移矩阵 根据实际情况，状态转移概率采用截断高斯概率模型，即 ? 不 __一_，1一I+A, 人‘Pk一一一二-二一)，J一I+A卜S La- (1) J一!+叫S 式中，A是线谱偏移量，S是可允许的线谱最大偏移量。 (2)似然比分数 似然比分数是谱值和频率差异的函数，定义为: f(r,o)=log(I)+am (2) 作者简介:黄海宁，男，”年于西北工业大学获工博士学位，目前在中科院声学所从事博士后研究。感兴 趣的研究领域:信号与信息处理、水声信号的检测、估计与识别、图象处理、语音处理等。 式中，r是谱值，价是频率差，a.是(1)式中描述的状态转移概率函数。 (3)线谱增强过程 A.初始步 将时频分布图分为多个子带.各个子带内的初试频率值取该子带内最大的潜值对应频率值。 B.前向搜索 在每个子带内，由初试频率值出发，依 (1)、 (2)式计算到下一时刻各频率的的状 态转移概率和似然比分数，取似然比分数最大的路径对应的频率值作为该时刻该子带内 的特征。 重复这一过程，直至时频分布图的最后时刻。至此，每个子带均得到了一条频率变化路径。 c，终止步 计算各个子带内频率变化路径的似然比分数之和，其中最大者对应的路径就是 目标信 号线谱的变化图。 针对实际中多根线谱的情况，在上述算法的基础上进行适当的修正即可。方位一历程 图中的轨迹增强，亦可仿照与此相似的方法进行，在此不赘述。 3算 例 下面