[发明专利]基于声响特征的爆炸位源信息快速识别方法与装置

说明书

本发明公开了一种基于声响特征的爆炸位源信息快速识别方法，该方法包括：S1：测定现场传播介质参数；S2：采集环境噪声；S3：将不同爆源所对应的爆炸声响信号进行收集组成原始声音信号数据库I；S4：将数据库I中信号预处理后提取短时能量特征、倒谱系数特征、爆炸声谱纹理HOG特征、爆炸声谱颜色矩特征，并建立训练特征数据库D；S5：利用训练数据库D中的四类融合特征训练信息向量机模型；S6：现场实测爆炸声音信号，对信号进行预处理；S7：提取现场预处理后信号四类融合特征，输入已训练的IVM模型中，确定爆炸位源信息；S8：将IVM预测结果准确的预测样本作为新的训练样本动态更新原训练数据库D中，重新训练IVM。

技术领域

本发明属于爆炸灾害防护技术领域，涉及一种基于声响特征的爆炸位源信息快速识别方法与装置。

背景技术

爆炸冲击问题由于其突发性、高危险性和大范围毁伤性等特点，对地区安全造成巨大威胁。当爆炸发生时，能快速准确地获取爆源信息，对于降低爆炸灾害大范围扩散，提升抗灾能力具有重要意义。

当前，对于爆炸冲击常用的监测手段主要是在现场布置压力传感器、加速度传感器或速度传感器测量爆炸产生的超压、加速度以及速度，之后按照爆炸相似原理，推算出炸药当量，距离等位源信息。但是由于炸药起爆炸瞬间会在一定的范围内营造出高温高压环境，不仅会对临近爆源的传感器会造成大量的摧毁，更是造成监测数据获取不充分，影响对爆炸信息的判断，因此此类监测方法的使用成本较高，经济性较差，在实际现场监测条件下难以大范围地使用。

爆炸声响是伴随爆炸产生的，一种极易获取的爆炸信号。与爆炸的超压、加速度等需要专门传感器进行测量的方式相比，爆炸声响信号在测量手段上较为便利，弱化了采样设备的制约，在监测操作上具有良好的便利性。加强对于爆炸声响信号测量方法的开发，具有明显的经济价值。

当前，生物语音识别已经被广泛地用于各类实践中，诸如：语音识别，智能语音等技术，这为将爆炸声响信号应用于防护工程领域提供了重要的契机。如何借鉴生物语音识别技术，实现在现场环境下爆炸声源的精确定位，具有重要的研究价值。

机器学习是人工智能的一个新兴分支，它从已知实例中自动发现规律，建立对未知实例的预测模型，与传统回归方法相比较，更适用于复杂高度非线性的回归问题。人工神经网络与支持向量机是当今代表性的机器学习方法。但人工神经网络和支持向量机均存在一些公开问题，例如，人工神经网络存在着最优网络拓扑结构与最优超参数不易确定、存在过(欠)学习风险、小样本推广能力差等问题；支持向量机的核函数及合理超参数没有可行的理论求解方法，很难保证预测的可靠性。

信息向量机(Informative Vector Machine,IVM)是一种新的机器学习方法，由Neil于2002年提出。该方法采用基于信息熵理论的方法，从大量的训练样本中优选出部分的最具信息性的样本组成有效集，通过对有效集的学习可以达到与原训练样本集相同的学习效果，同时结合稀疏化核矩阵表示，从而大大简化学习的时间复杂度和空间复杂度。另外，IVM通过假定密度筛选与最小化KL散度(相对信息熵)实现了对非高斯分布噪声模型后验分布的近似逼近。IVM具有优异的回归性能，其超参数可自适应获取，对高度非线性回归问题具有较强的适用性。

因此本专利将语音识别中短时能量特征(SE)、梅尔倒谱系数特征(MFCC)、爆炸声谱HOG纹理特征、爆炸声谱颜色矩CM特征、与IVM机器识别技术结合引入到爆炸位源的识别定位技术中，提出了一种新的基于声响特征的爆炸位源信息快速识别方法及装置，根据现场监测的爆炸声响信号实现对爆炸位源信息的精确识别，为爆炸防灾和提前预警提供了一条新的经济性道路。

发明内容

技术方案：针对当前爆源监测技术的不足，本发明提出了一种基于声响特征的爆炸位源信息快速识别方法，该方法包括如下步骤：

步骤S1：测定现场传播介质参数，作为后续步骤区分不同环境下声音信号的环境标签；

步骤S2：采集环境噪声；