基于声信号特征分析的冰雹检测方法和装置与流程
本发明涉及电气象检测技术领域,尤其涉及一种基于声信号特征分析的冰雹检测方法和装置。
背景技术:
冰雹是一种常见的自然现象,一旦发生会产生极大的破坏力。长期以来,由于冰雹具有突发性强、破坏性大以及发生范围小的特点,所以冰雹的特征和冰雹降落时的天气状况一直都是气象研究者们的重要研究内容。在青藏高原、云南高原以及一些山地更是冰雹频发地区,对当地农作物及人民的生产生活均有不同程度的影响,故而对冰雹监测技术的发展尤为重视。
目前对于冰雹的监测主要有两种方式,一种是人工观测,人工观测通常是通过冰雹落下时砸在冰雹板上的印迹得出冰雹的粒径和密度,但冰雹砸在冰雹板上的印迹往往会重叠在一起,所以辨别冰雹的重复落点次数以及冰雹的粒径对于人工观测人员来说难度很大,而且人工观测的方法不仅耗时耗力,并且得出的冰雹粒径、历时、密度也会存在很大的误差,导致无法准确得出冰雹的量级。另一种则是通过天气雷达监测冰雹云,根据雷达回波的统计特征识别冰雹等强对流天气。虽然利用天气雷达探测冰雹云的方式在一定程度上提升了检测效率,然而仍然不能够十分准确地判断冰雹的量级等信息,可见传统方案通常存在检测结果片面,准确度低的问题。
技术实现要素:
针对以上问题,本发明提出一种基于声信号特征分析的冰雹检测方法和装置,以获得冰雹的相关信息与天气雷达的回波图像进行统计应对,从而来实现全天候智能监测、准确率更高,更是节省人力、物力、财力等方面的消耗。
为实现本发明的目的,提供一种基于声信号特征分析的冰雹检测方法,包括如下步骤:
s10,将标注类别的多个冰雹信号和多个雨声信号确定为各个训练样本,对各个训练样本进行特征分析,得到各个训练样本分别对应的一组特征向量;所述特征向量包括相应训练样本的多个特征参数;
s20,对各组特征向量进行聚类运算,得到表征冰雹信号的第一聚类中心,表征雨声信号的第二聚类中心,以及隶属度函数;
s30,根据待识别信号的特征参数确定待识别向量,根据所述隶属度函数和待识别向量确定待识别信号的聚类中心,得到待识别聚类中心;
s40,在所述第一聚类中心和第二聚类中心中查找距所述待识别聚类中心近的聚类中心,将查找得到的聚类中心所表征的信号类型确定为待识别信号的信号类型;所述信号类型包括冰雹信号和雨声信号。
在一个实施例中,上述基于声信号特征分析的冰雹检测方法,还包括:
若所述待识别信号的信号类型为冰雹信号,提取所述待识别信号的能量大小,根据所述待识别信号的能量大小确定所述待识别信号的直径。
具体地,根据所述待识别信号的能量大小确定所述待识别信号的直径包括:
若所述待识别信号的能量大于1且小于或者等于300,则所述待识别信号的直径小于或者等于1.5cm,若所述待识别信号的能量大于300且小于540,则所述待识别信号的直径大于1.5cm且小于等于3cm,若所述待识别信号的能量大于或等于540,则所述待识别信号的直径大于或等于3cm。
在一个实施例中,所述待识别聚类中心包括两个聚类中心。
在一个实施例中,上述特征参数包括均方根、波形因子、峭度因子、最大带宽能量比和/或平均振幅值。
一种基于声信号特征分析的冰雹检测装置,包括拾音板、声波传感器、数采装置和计算机;
所述计算机通过所述数采装置连接声波传感器,所述声波传感器放置于拾音板的正下方,垂直地面放置且不与上方的拾音板相接触,以采集冰雹和雨水落在拾音板上产生的声信号;当声波传感器接收到声信号时,数采装置开始工作,数采装置将声波传感器采集到的声信号传输给计算机;所述计算机以当前接收的声信号为待识别信号执行权利要求1至5任一项所述的基于声信号特征分析的冰雹检测方法。
在一个实施例中,上述拾音板为方形,拾音板的四角由四个长度为10cm的弹簧支撑悬空。
在一个实施例中,上述数采装置的最外侧是壳体,是整个数采装置的保护壳,所述壳体内部分别布置采集卡、存储器、控制器和蓄电池,控制器通过导线分别与存储器和采集卡相连,控制器与蓄电池通过稳压电路进行连接,为整个数采装置供电。
上述基于声信号特征分析的冰雹检测方法,将标注类别的多个冰雹信号和多个雨声信号确定为各个训练样本,对各个训练样本进行特征分析,得到各个训练样本分别对应的一组特征向量,对各组特征向量进行聚类运算,得到表征冰雹信号的第一聚类中心,表征雨声信号的第二聚类中心,以及隶属度函数,根据待识别信号的特征参数确定待识别向量,根据所述隶属度函数和待识别向量确定待识别信号的聚类中心,得到待识别聚类中心,在所述第一聚类中心和第二聚类中心中查找距所述待识别聚类中心近的聚类中心,将查找得到的聚类中心所表征的信号类型确定为待识别信号的信号类型,以确定待识别信号为冰雹信号或者雨声信号,实现对待识别信号的高效检测,相应的检测过程具有更高的准确性。
附图说明
图1是一个实施例的基于声信号特征分析的冰雹检测方法流程图;
图2是一个实施例的基于声信号特征分析的冰雹检测装置结构示意图;
图3是一个实施例的数采装置结构示意图;
图4是一个实施例的基于声信号特征分析的冰雹检测装置工作过程示意图;
图5为一个实施例中降雹和雨声信号的时域波形图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于声信号特征分析的冰雹检测方法流程图,包括如下步骤:
s10,将标注类别的多个冰雹信号和多个雨声信号确定为各个训练样本,对各个训练样本进行特征分析,得到各个训练样本分别对应的一组特征向量;所述特征向量包括相应训练样本的多个特征参数。
在一个实施例中,所述特征参数包括均方根、波形因子、峭度因子、最大带宽能量比和/或平均振幅值。
s20,对各组特征向量进行聚类运算,得到表征冰雹信号的第一聚类中心,表征雨声信号的第二聚类中心,以及隶属度函数。
上述聚类运算采用的聚类算法可以为基于马氏距离的模糊聚类算法(fuzzyc-meansalgorithmbasedonmahalanobisdistance,m-fcm)。
具体地,采用基于马氏距离的模糊聚类算法对冰雹进行分类识别,可以预先采集200个降雹和雨声信号,采用统计分析的方法对其进行时域和频域的特征分析,提取出均方根、波形因子、峭度因子、最大带宽能量比和平均振幅值等特征,具体计算见公式(1)至公式(5),这里平均振幅值为声信号在频域上频率范围[0hz,15000hz]的振幅平均值,再利用分类算法对降雹和雨声信号的特征向量进行训练学习。
在一个示例中,特征参数的确定公式包括:
均方根:
波形因子:
峭度因子:
短时能量:
最大带宽能量比:
其中,x={x1,x2,…,xn}为降雹或雨声信号样本,n为数据采样点的个数。xn(m)为对声信号进行分帧加窗处理得到的第n帧信号,m为帧长。dk为声信号最大能量衰减到-3db时的带宽,
s30,根据待识别信号的特征参数确定待识别向量,根据所述隶属度函数和待识别向量确定待识别信号的聚类中心,得到待识别聚类中心。
具体地,待识别聚类中心的确定过程可以包括:
式中,t的取值为1或者2,当t的取值为2时,待识别聚类中心包括两个聚类中心,c1t表示第t个聚类中心,xj表示第j个待识别样本,n为待识别样本的数目,b为加权参数,u(xj)表示隶属度函数,n表示待识别信号的信号个数。
在一个实施例中,所述待识别聚类中心包括两个聚类中心,如表征冰雹信号的聚类中心,和表征雨声信号的聚类中心,此时,待识别信号包括两类信号,相应的天气为雨加冰雹。
s40,在所述第一聚类中心和第二聚类中心中查找距所述待识别聚类中心近的聚类中心,将查找得到的聚类中心所表征的信号类型确定为待识别信号的信号类型;所述信号类型包括冰雹信号和雨声信号。
上述基于声信号特征分析的冰雹检测方法,将标注类别的多个冰雹信号和多个雨声信号确定为各个训练样本,对各个训练样本进行特征分析,得到各个训练样本分别对应的一组特征向量,对各组特征向量进行聚类运算,得到表征冰雹信号的第一聚类中心,表征雨声信号的第二聚类中心,以及隶属度函数,根据待识别信号的特征参数确定待识别向量,根据所述隶属度函数和待识别向量确定待识别信号的聚类中心,得到待识别聚类中心,在所述第一聚类中心和第二聚类中心中查找距所述待识别聚类中心近的聚类中心,将查找得到的聚类中心所表征的信号类型确定为待识别信号的信号类型,以确定待识别信号为冰雹信号或者雨声信号,实现对待识别信号的高效检测,相应的检测过程具有更高的准确性。
在一个实施例中,上述基于声信号特征分析的冰雹检测方法,还包括:
若所述待识别信号的信号类型为冰雹信号,提取所述待识别信号的能量大小,根据所述待识别信号的能量大小确定所述待识别信号的直径。
具体地,根据所述待识别信号的能量大小确定所述待识别信号的直径包括:
若所述待识别信号的能量大于1且小于或者等于300,则所述待识别信号的直径小于或者等于1.5cm,若所述待识别信号的能量大于300且小于540,则所述待识别信号的直径大于1.5cm且小于等于3cm,若所述待识别信号的能量大于或等于540,则所述待识别信号的直径大于或等于3cm。
具体地,所采集到的降雹信号分别包含直径d≥3cm、1.5cm<d<3cm、d≤1.5cm三种大中小冰雹声信号,分别对大中小冰雹做频谱分析,得到其信号主要集中在[0hz,15000hz]频率范围内,再计算[0hz,15000hz]频率上信号的平均能量,并进行统计分析得到冰雹直径d≤1.5cm时,其能量在0到300范围内;冰雹直径为1.5cm<d<3cm时,其能量在300到540范围内;冰雹直径d≥3cm时,其能量大于540,为后续确定冰雹量级做准备。
本实施例能够识别冰雹信号的直径,可以提高相应检测方案的完整性。
在一个实施例中,以待识别信号包括两类信号为例对上述基于声信号特征分析的冰雹检测方法进行说明,此时上述基于声信号特征分析的冰雹检测方法主要分为两步,一是训练,这里所述训练样本的类别已知,先提取选定训练样本的特征参数组成特征向量,再利用m-fcm算法对提取的特征值进行迭代运算,计算得到降雹和雨声信号的聚类中心c01(第一聚类中心)、c02(第二聚类中心)和隶属度函数u(xi),如公式(6)所示,式中c0t为训练样本聚类中心,xi表示第i个训练样本,m为类别数目,b为加权参数。
二是识别,依照训练过程的步骤,对待识别样本提取特征,并根据训练过程中得到的隶属度函数u,由公式(7)计算得到待识别样本的聚类中心c11、c12,公式(7)中,c1t为待识别样本的聚类中心,xj表示第j个待识别样本,n为待识别样本的数目。同时分别计算c11、c12到c01、c02的距离,分别将待识别样本的聚类中心与训练样本的聚类中心进行比较以及c01、c02到c11、c12的距离进行比较,待识别样本的聚类中心坐标最接近训练样本的聚类中心以及到训练样本聚类中心距离最短的一类,即该未知样本所属类别与训练样本所属类别一致,从而完成对降雹信号的识别。依据直径不同的冰雹产生的能量大小确定冰雹的量级,后再提取出降雹信号的能量大小判断冰雹的量级大小。经实验表明,降雹识别准确率平均可达93.333%,当降雹能量高于300时,识别准确率高达100%,但降雹能量低于300时,识别准确率为88.889%,相对较低。
在一个实施例中,提供一种基于声信号特征分析的冰雹检测装置,包括拾音板、声波传感器、数采装置和计算机;
所述计算机通过所述数采装置连接声波传感器,所述声波传感器放置于拾音板的正下方,垂直地面放置且不与上方的拾音板相接触,以采集冰雹和雨水落在拾音板上产生的声信号;当声波传感器接收到声信号时,数采装置开始工作,数采装置将声波传感器采集到的声信号传输给计算机;所述计算机以当前接收的声信号为待识别信号执行上述任一实施例所述的基于声信号特征分析的冰雹检测方法。
上述基于声信号特征分析的冰雹检测装置,首次提出从“声学”的角度对冰雹进行监测,能够判断降雨的过程中是否伴随冰雹降落,若有则可检测到冰雹的量级,同时将数据实时传输给后台监测终端。本装置整体数据传输为无线传输,综合成本更低,性能稳定性更高并且传输速度更快。与现有冰雹监测技术相比,本实施例所提出的设计结构更加简单,测量数据误差更小,准确性更高。本实施例对人工除雹工作以及冰雹灾情的损失估算提供数据依据,具有一定的价值。
在一个实施例中,所述拾音板为方形,拾音板的四角由四个长度为10cm的弹簧支撑悬空。
在一个实施例中,所述数采装置的最外侧是壳体,是整个数采装置的保护壳,所述壳体内部分别布置采集卡、存储器、控制器和蓄电池,控制器通过导线分别与存储器和采集卡相连,控制器与蓄电池通过稳压电路进行连接,为整个数采装置供电。
具体地,数采装置的最外侧是壳体,是整个数采装置的保护壳,而在壳体内部分别布置有采集卡、存储器、控制器和蓄电池四部分。控制器通过导线分别与存储器和采集卡相连,控制器与蓄电池通过稳压电路进行连接,为整个数采装置供电。采集卡通过数据连接线外连一个声波传感器,并将声波传感器放置于拾音板的正下方,垂直地面放置且不与上方的拾音板相接触,以便于采集冰雹和雨水落在拾音板上产生的声信号。整个数采装置采用蓄电池供电,当声波传感器接收到声信号时,数采装置开始工作。采集卡将声波传感器采集到的声信号直接送给控制器进行处理,同时放入存储器保存,控制器对实时数据处理完成后一并将采集的数据和处理结果通过存储器传输给后台计算机。
在一个实施例中,上述基于声信号特征分析的冰雹检测装置可以参考图2所示,其中计算机11执行上述基于声信号特征分析的冰雹检测方法,能够判断降雨的过程中是否有冰雹降落,以及若存在冰雹降落时,判断出冰雹的量级大小。本装置主要包含拾音板1、声波传感器3、数采装置、计算机11。拾音板1为方形,拾音板1的四角由四个长度约为10cm的弹簧2支撑悬空,悬空的目的是为了采集到的降雹和雨声信号特征更加的明显,有利于对降雹声信号的识别。数采装置的最外侧是壳体9,是整个数采装置的保护壳,而在壳体内部分别布置有采集卡5、存储器8、控制器7和蓄电池6。采集卡5通过数据连接线4外连一个声波传感器3,并将声波传感器3放置于拾音板1的正下方,垂直地面放置且不与上方的拾音板1相接触,以便于采集冰雹和雨水落在拾音板1上产生的声信号。
如图3所示,整个数采装置采用蓄电池6供电,采集卡将声波传感器3采集到的声信号直接送给控制器7进行处理,同时放入存储器8保存,控制器8对实时数据处理完成后一并将采集的数据和处理结果传输给后台计算机11。
如图4所示,本实施例的分类识别算法主要分为两步,一是训练,先提取选定训练样本的特征参数组成特征向量,再利用m-fcm算法对提取的特征值进行迭代运算,计算得到降雹和雨声信号的聚类中心c01、c02和隶属度函数u;二是识别,依照训练过程的步骤,对待识别样本提取特征,并根据训练过程中得到的隶属度函数u,计算得到待识别样本的聚类中心c11、c12,并分别计算c11、c12到c01、c02的距离,将计算得到的聚类中心与第二步中通过训练样本计算得到的聚类中心以及c01、c02到c11、c12的距离进行比较,聚类中心最接近以及距离最短的一类就是未知样本所属的类别,从而完成对降雹信号的识别结果,后续再提取出降雹信号的能量大小判断冰雹的量级大小。经实验表明,降雹识别准确率平均可达93.333%,当降雹能量高于300时,识别准确率高达100%,但降雹能量低于300时,识别准确率为88.889%,相对较低。
如图5所示为本实施例所设计的声信号采集装置在实验过程中所真实采集的降雹和雨声信号的时域波形图,图5中,(a)表示集的降雹声信号,(b)表示集的降雨声信号。
表1特征值统计表
如表1所示,预先采集了200个降雹和雨声信号,采用统计分析的方法对其进行时域和频域的特征分析,提取出均方根、波形因子、峭度因子、最大带宽能量比、平均振幅值五个特征组成特征向量,这里分别选取了降雹和雨声信号各5个样本提取了上述五个特征。所得到的试验结果,分别选取了96组数据作为训练样本和55组数据作为测试样本,已知训练样本1是雨声信号和训练样本2是降雹信号,利用m-fcm算法得到测试样本1是雨声信号、测试样本2是降雹信号。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
起点商标作为专业知识产权交易平台,可以帮助大家解决很多问题,如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通,为大家解决相关问题。
此文章来源于网络,如有侵权,请联系删除