[发明专利]一种基于卷积神经网络的雷声信号识别系统及方法

说明书

本发明公开了一种基于卷积神经网络的雷声信号识别系统及方法，针对雷声训练集数据进行雷声类型人工标注，建立雷声分类标签定位文件，提取雷声训练集数据的梅尔频率倒谱系数，基于卷积神经网络对梅尔频率倒谱系数进行训练获得雷声分类识别模型，最终实现待识别声音数据的分类识别。本发明方法利用深度学习方法提高传统雷声信号检测方法的鲁棒性和准确率，以满足雷声定位系统对识别结果的实时高效需求，不仅能够克服多种环境噪声对雷声信号识别过程中的干扰，而且还能适用于源自不同通道位置的特征各异的雷声信号。

技术领域

本发明涉及雷电信号监测技术领域，尤其涉及一种基于卷积神经网络的雷声信号识别系统及方法。

背景技术

雷电是自然界中影响人类活动的严重灾害之一，不仅会造成人员伤亡，也会给我国航空航天、电子工业、石油化工、交通、森林等行业造成不可估量的经济损失。近年来，因雷电引起的事故频发，使得社会各界人士越来越重视对雷电的实时监测和防护。

对雷电的实时监测是防雷减灾的基础，国内于上世纪八十年代末开始研究雷电定位技术，并从上世纪九十年代开始至今相继在30多个省建立了雷电定位系统，现已实现全国联网。雷电定位系统综合多个探测站所获取的雷电电磁信号，经由中心站统一处理后，实时推算出雷击发生的时间、位置、雷电流幅值等，定位精度达到了500m。雷电探测站的监测范围为30-300km，即在30km的近距离范围内会出现探测盲区。当前某些防雷重点区域比如变电站、油库、军事据点等需要对近距离范围内的雷电进行实时监测，而雷电定位系统难以满足这些迫切需求。

雷声定位是通过探测雷击时产生的声音信号和电磁信号，并根据二者到达信号接收设备的时间差来估算雷声声源与探测站间的距离，其探测范围为15km，探测精度达到了20-100m，满足对重点防雷区域雷电活动实时监测的要求。在探测雷声信号时，需要对所关注的区域进行实时声音信号监测，并从中筛选出用于雷声定位的有效数据，即需要对原始监测数据进行雷声识别。

目前常用的雷声识别方法为统计分析雷声数据库中声音信号的特征，选取具有较好区分性的特征参数，然后将待识别声音与模板声音两者的参数值进行匹配分析，根据匹配结果识别是否为雷声信号。但是，雷声信号会随着雷电的形式、强弱以及远近的不同而变化多样，利用传统的波形、频率等特征已无法满足强随机性雷声的识别。近几年，深度学习方法作为人工智能的一个分支，被广泛应用于语音识别、基因组学、量子化学等许多领域，深度学习技术为雷声信号检测提供了一种新型有效的方法。

发明内容

本发明的目的就是要提出一种基于卷积神经网络的雷声信号识别系统及方法，旨在利用深度学习方法提高传统雷声信号检测方法的鲁棒性和准确率，以满足雷声定位系统对识别结果的实时高效需求，不仅能够克服多种环境噪声对雷声信号识别过程中的干扰，而且还能适用于源自不同通道位置的特征各异的雷声信号。

为实现此目的，本发明所设计的基于卷积神经网络的雷声信号识别系统，它包括人工标注模块、训练集数据预处理模块、特征提取模块、模型学习模块、待识别声音数据预处理模块和分类识别模块；所述人工标注模块针对雷声训练集数据进行雷声类型人工标注，建立雷声分类标签定位文件；所述训练集数据预处理模块针对所述人工标注模块输出的雷声训练集数据进行降采样处理，生成降采样后的雷声训练集数据；所述特征提取模块用于从所述训练集数据预处理模块降采样处理后输出的雷声训练集数据中提取梅尔频率倒谱系数；所述模型学习模块基于卷积神经网络对所述特征提取模块输出的雷声训练集数据梅尔频率倒谱系数和对应的雷声分类标签定位文件进行训练，获得雷声分类识别模型；所述待识别声音数据预处理模块针对待识别声音数据进行分帧、降采样和滤波预处理得到预处理后的待识别声音数据；所述特征提取模块还用于从所述待识别声音数据预处理模块预处理后输出的待识别声音数据中提取梅尔频率倒谱系数；所述分类识别模块结合所述模型学习模块输出的雷声分类识别模型获得待识别声音数据对应雷声信号[1,0]和非雷声信号[0,1]两个类别的概率，当待识别声音数据对应雷声信号[1,0]的概率大于设定阈值时，则认为待识别信号为雷声信号。