基于贝叶斯压缩感知冲击声识别.docVIP

基于贝叶斯压缩感知冲击声识别 　　摘 要： 针对目前冲击声识别系统稳健性较差问题，提出一种基于贝叶斯压缩感知（BCS）的冲击声识别方法。该方法基于BCS模型，根据训练样本构造传感矩阵；基于稀疏系数的分布特性设计分类算法完成目标识别；将提出的方法与传统分类算法的识别结果做了对比和分析。实验结果表明： 提出的方法能够对识别相似冲击声进行精确分类，识别精度和抗噪性均优于SVM和GMM分类算法。 关键词： 冲击声； 压缩感知； 观测矩阵； 特征提取 中图分类号： TN911.7?34 文献标识码： A 文章编号： 1004?373X（2013）17?0052?03 0 引 言 近年来，针对冲击声的自动目标识别研究越来越受到人们的重视，例如，农业中对害虫种类、数量和其不同成长期的识别；工业中机械设备的状态监测和故障诊断；军事中对舰船、直升机和坦克等目标的类型和地理位置识别。这类声音的识别不同于以往的语音识别，例如考虑到背景声音的复杂性，识别系统需要具有更强的抗噪性和更高的识别精度。 冲击声目标识别技术，一般采用k近邻（kNN）、高斯混合模型（GMM）、支持向量机（SVM）[1]分类方法，可以选择相关训练样本中少数支撑向量去整体特性化测试样本，但是无法对每个测试样本进行自适应的选择最佳支撑。文献[2]提出了压缩分类（Compressed Classification）的概念，将新出现的压缩感知理论（Compressed Sensing，CS）应用于目标分类，即直接对压缩样本进行分类。目前CS已经成为一种用少量训练样本去表示测试信号的热点理论[3]，在目标的识别分类中表现出很大的优越性，因此本文选取矩形板冲击声作为研究对象，实现了基于压缩感知的冲击声分类，并将其与kNN、GMM和SVM分类算法比较。 1 CS理论 针对传统意义上的测量算子并非总是可以或者稳定地实现信号的超分辨率稀疏表示问题，文献[4?5]中 Candes和D L Donoho等学者研究表明测量算子可以稳定地实现信号的超分辨率稀疏表示，该理论指出，当信号具有稀疏性或可压缩性时，通过采集少量的信号投影值就可实现信号的准确或近似重构。 2 CS用于冲击声信号目标识别 2.1 随机投影 随机投影是近年来出现的一种有效的数据降维方法，它具有计算复杂度低和距离保持特性的优点。在每个传感器节点，将[n]维的高维信号通过随机投影矩阵[Φ]投影到低维子空间，投影矩阵需满足约束等距性（Restricted Isometry Property，RIP）条件，独立同分布的随机矩阵被证明能以较高概率满足 RIP条件，如高斯随机矩阵和伯努利随机矩阵[6]。相对于传统的数据降维方法 PCA而言，随机投影的计算代价只跟PCA中矩阵相乘所需的计算代价相同，而省去了PCA中计算协方差矩阵和进行特征分析所需的计算代价，适合在资源有限的传感器节点上实现。 2.2 稀疏表示与求解 压缩感知理论的一个重要研究内容是稀疏基的构造问题，稀疏基的选择对信号表示的稀疏性有直接影响。在信号压缩应用中，稀疏基可以选择多种标准基（如Fourier、Wavelet、Curvelet和Gabor基）构造[7]。但是在目标识别应用中，稀疏基需由训练样本构成，测试样本表示为稀疏基的线性组合。可利用的训练样本数量充足时，将测试样本仅仅表示为与该测样本同类型的训练样本的线性组合，因此，测试样本基于全体训练样本的线性组合实际上只依赖于部分训练样本，满足压缩感知中对信号稀疏性的要求。通过求解最优化问题得到稀疏表示的系数向量，基于该系数向量可以实现对测试样本的有效识别。 2.3 基于稀疏表示的分类方法 本文提出的压缩分类冲击声目标识别方法，首先利用压缩感知的随机投影对传感器数据进行压缩，然后利用稀疏表示对压缩采样数据进行分类与识别。 3 实验结果与分析 3.1 冲击声样本数据库 3.2 实验结果比对及分析 考虑到MFCC是目前使用最广泛的声音特征提取方法，具有良好的声音识别性能，但MFCC对噪声较敏感，在噪声环境声音识别中的表现不佳，所以本文提出的算法将MFCC与BCS相结合，达到了良好的抗噪效果。 图1是对于3种不同的矩形板冲击声提取MFCC特征，进而应用BCS算法进行识别分类，比较了CS分类器与kNN、SVM以及GMM的性能。从图1可以发现，在噪声环境中CS分类器识别精度高于kNN和GMM，近似于SVM。 实验中，在相同的训练数据和测试数据情况下，采用SVM方法的矩形板冲击声目标识别的平均错误识别率为9.01%；本文方法的平均错误识别率为3.12%，可以看出BCS识别方法明显优于SVM方法。SVM这种非参数技术利用少数训练样本