[发明专利]基于支撑向量机的基带时域音频信号分类方法

说明书

技术领域

本发明属于信号处理技术领域，具体涉及一种基于支撑向量机的基带时域音频信号分类方法。 

背景技术

本发明应用于无线电侦测系统中，所处理的信号是已经解调之后的基带时域音频信号，信号可能是被噪声不同程度污染的语音信号，也可能是纯噪声信号，其中噪声均以白噪声为主且混有少量有色噪声，利用SVM的原理构建一种分类器，对信号类型进行简单有效的鉴别分类。 

以下的文章和专利文献，基本覆盖了该领域主要的背景技术。为了交待出技术的发展过程，让它们时间顺序排列，并逐个介绍文献的主要贡献。 

1．S.Gokhun Tanyer,Hamza ozer,“Voice Activity Detection in Nonstationary Gaussian Noise”,Proceedings of ICSP,1620-1623,1998. 

语音端点检测(Voice Activity Detection，VAD)是指从噪声中甄别出语音的过程，文章提出了能量门限方法、过零率方法、最小二乘周期估计器和自适应能量门限的方法，其中能量门限方法和过零率方法多适用于信号信噪比(signal to noise ratio，SNR)较高的情况下，在信噪比较低时虚警很高，而最小二乘周期估计器会由于噪声非平稳包含周期性而导致检测失败。同时文章还提出将多种方法融合进行语音信号检测的策略。 

2．C.J.C.Burges,“A Tutorial on Support Vector Machines for Pattern Recognition”，Data Mining and Knowledge Discovery,vol.2,no.2,pp.121-167,1998. 

详细介绍了SVM的基本原理以及结论推导，SVM的方法是从线性可分情况下的最优分类超平面提出来的，其基本思想可以概括为首先通过非线性变 换将输入空间变换到一个高维空间，然后在这个新空间中求取最优先性分类超平面。“最大间隔”和“将数据投影至更高维空间”是其核心概念，SVM构成通常意义上的二类模式分类器。但是该文章多是对SVM基本原理进行公式推导的证明，并没有给出在语音信号检测方面应用的提示和指导。 

3．S.Gokhun Tanyer,Hamza ozer,“Voice Activity Detection in Nonstationary Noise”,IEEE Trans.Speech Audio Process.,vol.8,no.4,pp.478-481,Jul.2001 

提出自适应能量门限的语音端点检测方法并给出实施策略，其中应用到几何方法计算信号SNR，减少了对噪声信号先验信息的依赖。但是该SNR的估计方法受信号累积分布的影响，不能对噪声信号信息进行充分学习，参数选取和调整较为困难，在噪声非平稳的情况下SNR估计有偏差。 

4．Quanwei Cai,Ping Wei,Xianci Xiao,“A Digital Modulation Recognition Method”,Proceedings of ICASSP,2004,pp 863–866 

提出了基于SVD的信号SNR估计原理和方法，简单易行，没有对该方法的性能进行探讨，也没有给出计算参数的选取方法。 

5．Cheol-Sun Park,Won Jang,Sun-Phil Nah.and Dae Young Kim,“Automatic Modulation Recognition using Support Vector Machine in Software Radio Applications”，in Proc.9th IEEE ICACT,Feb.2007,pp.9-12 

提出基于SVM的信号调制方式识别的方法，以信号的归一化中心对称瞬时幅度的功率谱密度最大值γ_max、信号强分量瞬时相位中的中心对称非线性分量绝对值的标准差σ_ap、信号强分量瞬时相位中的中心对称非线性分量的标准差σ_dp、接收信号的归一化中心对称瞬时幅度绝对值的标准差σ_aa以及信号强分量中归一化瞬时频率绝对值的标准差σ_af作为特征量输入获得结果，即使在信号低SNR的情况下也取得准确地分类结果。 

发明内容