用于分析时变信号的方法与流程

本发明涉及一种用于分析时变信号的方法。本发明还涉及一种用于分析时变信号的设备。本发明还涉及具有用于执行该方法的程序代码装置的计算机程序产品。

现有技术

借助分类装置(英文：classifier)或神经元网络进行的信号识别现在有多种应用。在这里，从声信号中产生频率信息，该频率信息借助傅立叶变换或通过梅尔频率倒谱系数(英文：melfrequencycepstralcoefficients,mfcc)产生。简单地说，它们执行傅立叶变换并且接着执行主分量分析。梅尔频率倒谱系数可以被用于训练分类装置或神经元网络，该神经元网络然后可以对相应的音频信号进行分类。

技术实现要素：

本发明的任务是，提供一种用于对时变信号进行分类的改进方法。

根据第一方面，该任务通过一种用于对时变信号进行分类的方法来解决，该方法具有以下步骤：

-求取所述信号在所述时变信号的限定数量的不同时间段中的频率分量，所述限定数量大于两个；

-将求取的所有频率分量合并为组合信号，其中，将这些频率分量按照其求取顺序进行合并；

-将组合信号输入给分析装置，其中，求取所述时变信号内的所述频率分量的时间顺序；并且

-输出分析结果。

以这种方式将一种频率分量总矢量传送给分析装置，借助该分析装置例如执行对交变音调或音调序列的顺序的求取。分析装置识别该信号在不同时间段中的不同频率分量，其中，以这种方式实现该时变信号的组合式时间/频率分析。利用所提出的方法例如可以有利地识别或分类声学音调警报(folgetonhorn)。

根据第二方面，该任务通过一种用于分析时变信号的设备来解决，该设备具有：

-感测装置，用于求取所述信号在所述时变信号的限定数量的不同时间段中的频率分量，所述限定数量大于两个；

-合并装置，用于将求取的所有频率分量合并为组合信号，其中，将这些频率分量按照其求取顺序进行合并；

-分析装置，所述组合信号能够被输入给所述分析装置，其中，借助所述分析装置能够求取所述时变信号内的所述频率分量的时间顺序；和

-输出装置，用于输出分析结果。

该方法的有利扩展是本发明的进一步的主题。

该方法的有利扩展规定，在求取该信号的频率分量时分别执行傅立叶变换。由此提供了求取频率分量的特定方式。

该方法的另一有利扩展规定，在执行傅立叶变换时生成该时变信号的梅尔频率倒谱系数。由此提供了一种基于傅立叶变换的频率分量求取方式。

该方法的另一有利扩展规定，分析装置构造为分类装置。借助分类装置寻找时变信号内的特定变化和特征性信号形式。在此，当识别到一致时，对识别到的一致的信号形式发出信号。

该方法的另一有利扩展规定，分析装置构造为神经元网络。由此提供了一种自学习的分析装置，该分析装置能够基于输入的频率分量来“学习”时变信号的信号形式。

该方法的另一有利的改进方案规定，使信号的频率分量的求取适配于时变信号的变化频率。由此可以相应于时变信号的频率来适配“采样率”，使得可以更好、更高效地识别时变信号的特征性信号形式。

该方法的另一有利扩展的特点在于，该方法的各个步骤在软件技术上和/或硬件技术上执行。有利地由此提供了该方法的不同的技术实现方式。

根据第三方面，本发明的任务通过一种计算机程序产品来解决，该计算机程序产品具有程序代码装置，该程序代码装置在所提出的设备上执行或存储在计算机可读存储介质上。以这种方式，该方法可以有利地构造为软件并且可以以简单且有效的方式被修改和匹配。

下面借助附图结合对本发明优选实施例的说明来详细解释改进本发明的进一步措施。

附图说明

在附图中示出：

图1带有对传统的用于分析时变信号的方法的描述的系统曲线图，

图2带有对传统的用于分析时变信号的方法的描述的另一系统曲线图，

图3带有对所建议的用于分析时变信号的方法的描述的系统曲线图，

图4带有对所建议的用于分析时变信号的方法的描述的另一系统曲线图，和

图5所建议的用于分析时变信号的方法的原理性流程图。

这些附图仅是示意性的并且不是严格按比例绘制的。在附图中，相同的、作用等同的或相似的元件全部设有相同的附图标记。

具体实施方式

图1示出了带有对传统的用于分析或分类时变信号的方法的描述的系统曲线图。可以看到呈声信号形式的时变信号1，在时间段t1...t4中研究该声信号的频率分量11a...11n。时变信号1也可以构造为其它随时间变化的信号，例如构造为电信号。这些频率分量例如可以是梅尔频率倒谱系数。然而也可以想到，频率分量11a...11n作为傅立叶变换的结果存在。所提到的频率分量11a...11d被输入给呈神经元网络形式的分析装置20。

图2示出了另一系统曲线图，具有对用于分析或分类时变信号1的传统方法的描述。可以看到时变信号1，该时变信号1输入给用于求取频率分量11a...11n的感测装置10。随后，求取的频率分量11a...11n被输入给分析装置20，该分析装置然后对时变信号1执行分析评价或分类并将结果提供给输出装置30。

以此方式，借助于分析装置20对求取的每个频率分量11a...11n进行完整的分析，其结果借助于输出装置30输出。例如可以借助输出装置30输出：时变信号1是否是音调警报(martinshorn)的声信号。

由于在不同时间段t1...tn中对频率分量11a...11n进行感测并且接着分别对这些频率分量11a..11n进行完整的、自身独立的分析的事实，因而对频率分量11a...1n进行的各个分析彼此之间不具有关联，因此，在有些情况下无法识别时变信号1的典型特征，因此无法对信号1进行分类。

因此建议，先对感测到的频率分量11a...11n进行合并，接着才将以这种方式合并得到的信号输入给分析装置20。

这在图3的系统图中原理性地示出，在该图中可以看出，现在频率分量11a...11n被合并成组合信号12，该组合信号被输入给分析装置20。以这种方式使频率分量11a...11n“富有”时变信号1的时间信息，由此能够有利地更好地分析时变信号1。以这种方式可以有利地明显更有效和更好地识别时变信号1内的频率分量11a...11n，由此还可以更好地分析或分类时变信号1。

以这种方式能够有利地更好并且更有效地对时变信号1进行分析或分类。

所提出的用于分析具有随时间变化的特征性特性的时变信号1的方法的优点在于，能够可靠地识别特定的时变信号1，例如音调警报(martinshorn)，因此能够与听起来相似的其他信号区分，这些其他信号不具有随时间变化的特性或具有其他随时间变化的特性。

取代如在图1和图2中所示在不同的时间段t1...t4中分别对信号1完全分析评价，根据本发明，对信号1的各个频率分量11a...11n根据它们的求取顺序进行合并并且然后才对其整体进行分析评价。在例如计算13个的梅尔频率倒谱系数的情况下，将这些系数传送给神经元网络或分类装置，以便能够进行识别。在所提出的方法中将多组梅尔频率倒谱系数合并，例如在具有限定的时间间距(例如约200ms)的多个时间段中分别有十三个系数。

因而，对于长度为例如5s的时变信号1，以这种方式产生二十五个不同的时间点或者说时间段t1...tn，在这些时间点或时间段分别计算十三个梅尔频率倒谱系数。

现在将这总共三百二十五个数值传送给呈神经元网络形式的分析装置20，以便执行对时变信号1的识别或分析。在此，神经元网络还学习梅尔频率倒谱系数随时间的变化，使得这些信息也能够被分析评价，这在音调报警情况下具有决定性意义。

感测频率分量11a...11n的时间段t1...tn之间的间距可以相应地变化或适配于时变信号1，以便再进一步改善对时变信号1的识别或分类。例如，频率分量11a...11n的求取在时变信号1随时间变化快的情况下与在时变信号1随时间变化较慢的情况下相比更频繁地进行。

原则上还可以检查从时变信号1产生的所有梅尔频率倒谱系数。

这可能导致的后果是，传送给分析装置20的数据可能变得规模很大。与此相对，如果仅使用个别梅尔频率倒谱系数，则会将大量的不同数据组传送给分析装置20，使得由此支持较高的分类安全性。如果例如以200ms的时间间距合并梅尔频率倒谱系数，但每10ms对一组新的梅尔频率倒谱系数进行分析评价，则得到二十个不同的数据组，它们描述相同的时变信号1。

当然，所提到的所有数值仅是示例性的。

分析装置20可以有利地构造为神经元网络或构造为分类装置。有利地可以是，设备100的所有上述部件既可以以软件实现，也可以以硬件实现，由此可以支持大的实施自由度。

图5示出了所提出的方法的原理性流程。

在步骤200中求取信号1在时变信号1的限定数量的不同时间段内的频率分量11a...11n，所述限定数量大于两个。

在步骤210中将求取的所有频率分量11a...11n合并成组合信号12，其中，将这些频率分量11a...11n根据它们的求取顺序进行合并。

在步骤220中将组合信号12输入给分析装置20，其中，求取时变信号1内的这些频率分量11a...11n的时间序列。

在步骤230中执行分析结果的输出。

本发明尤其可以有利地在机动车领域中用于识别音调警报的声信号。作为识别到音调警报的结果，尤其可以适配自动化车辆的驾驶行为。

然而本领域技术人员在转化本发明时还可以实现上面未解释的实施方式。

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