基于AR模型朱q鸣声特征分析.docVIP

基于AR模型朱q鸣声特征分析 　　【摘要】朱?q鸣声与其行为活动关系密切，不同的鸣声反映了朱?q的不同行为活动。本文采用AR模型对朱?q鸣声进行特征分析，采用BIC准则确定AR模型的阶数，用Burg方法估计AR模型的参数，结果表明，用AR模型的系数和白噪声序列方差的组合作为朱?q鸣声的特征是有效的，为后期的识别分类研究奠定了基础。 　　【关键词】朱?q;AR模型;特征分析 　　1.研究背景及意义 　　朱?q是国家I级重点保护动物，它的鸣叫声是种群个体间相互通讯的语言，反映了朱?q种群间识别、求偶、取食、报警等活动行为，包含了丰富的生物学信息。自从1981年刘荫增在陕西省洋县发现了7只野生朱?q之后，大批学者对朱?q进行了长期、系统的研究，为朱?q的科学保护奠定了基础，在理论上和实践上均具有重要的意义。 　　虽然学者们对朱?q的研究都做了很大的努力，但是他们大部分都是在对朱?q生态学、遗传学、种群结构等等方面的研究，对朱?q叫声的研究甚少。直到2007年郭敏、吴晓民等才对朱?q繁殖期和不同生长发育期的鸣声进行了特征分析[2，3]，不过也没有做后续研究，研究的也不够深刻。但是对于朱?q鸣声的研究却是相对较少的，研究也相对比较粗浅。 　　AR模型是一种常用的谱估计方法，具有较好的稳定性，对于信号特征的分析十分有效。本文以AR模型估计朱?q鸣叫声的功率谱，提取AR模型建模的参数作为特征，为后续的识别和分类奠定基础。 　　2.AR模型 　　AR模型是一种常用的功率谱估计方法，它的过程主要是将平稳白噪声序列通过一个全极点滤波器的过程。 　　AR模型计算功率谱的具体过程如下： 　　①确定随机信号的AR模型阶数;由于过低的阶数会使得估计得到的功率谱过于平滑，而过高的阶数会产生过多的虚假峰值，即功率谱图会过于动荡。阶数都是通过使规定的函数值达到最小来确定的，基本过程是先计算不同阶数下的预测误差功率估计值，然后计算不同下函数的值，通过的最小化来确定适合的阶数。 　　②估计AR模型的系数和白噪声序列的方差阶AR模型满足式2-2所示的方差方程： 　　 （2-1） 　　其中，AR模型的系数均是常实数，且是一个均值为0、方差为的平稳白噪声序列。 　　③用AR模型的系数构建线性系统，其中，全极点滤波器的传递函数是由AR模型的系数决定的，公式如下： 　　（2-2） 　　④用式2-3计算功率谱。 　　 （2-3） 　　3.朱?q鸣声特征分析 　　3.1 确定朱?q鸣声的AR模型阶数 　　常用的确定AR模型阶数的方法有最终预测误差准则（FPE）、Akaike信息准则（AIC）和自回归传递函数准则（CAT）等，通过实验分析发现，这三种方法均无效，只有改进的AIC准则，即BIC准则有效，所以，本文选择BIC准则确定朱?q鸣声的AR模型阶数。 　　实验过程中，AR模型阶数的取值范围为1～1000，先用Burg方法计算朱?q鸣声样本在每一个阶数值下的预测误差功率值，然后计算每个对应的BIC值，最小的BIC值对应的阶数即为所要求的果蝇振翅声的AR模型阶数。图1是对其中一个朱?q鸣声样本计算的不同阶数下的BIC值，从图中可以看出，最小AIC值对应的阶数为206，所以适合此鸣声样本的AR模型阶数为206。 　　3.2 朱?q鸣声特征分析 　　AR模型的功率谱估计是基于AR模型的系数和白噪声序列方差的，它们的计算算法也是AR模型功率谱估计的重要步骤。用于计算AR模型参数的算法常用的有4种：自相关算法、协方差算法、改进的协方差算法和Burg算法。其中，自相关算法是一种有偏估计算法，数据长度越短，偏差越大，且分辨率会较低;协方差算法虽然可以较好地反映信号的真实模型，但是计算复杂度过高;改进的协方差算法对于较短数据信号计算误差功率十分有利，但是要求信号在正反两个方向上呈现相同的特性;而Burg算法不需要计算自相关函数，不会产生有偏估计，计算过程也较为简单，且可以得到较好的功率谱估计。 　　因此，本文在确定了朱?q鸣声的AR模型阶数后，采用了最为常用的Burg方法计算来计算AR模型的系数和白噪声序列方差，得到朱?q鸣叫声样本的AR模型参数，然后估计朱?q鸣声样本的功率谱，如图2所示。 　　根据实验可以得出，AR模型估计得到的朱?q鸣声样本的功率谱均是是先下降，然后趋于平稳，但是各有不同。经过大量实验发现，简单的选取波峰个数、峰值对应频率和相对能量等一些常用的特征不足以表示朱?q鸣声的特征，需要重新选取其他特征。 　　然而，AR模型估计得到的功率谱图都是根据AR模型的参数得到的，那么，AR模型的参数即可以表征各个不同朱?q鸣声样本的不同特性，故而，可以提取AR模型的系数和白噪声序列的方差作为朱?q鸣声的特征，即特征向量为： 　　4.