[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷聲信號(hào)識(shí)別系統(tǒng)及方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110266522.6
• 申請(qǐng)日: 2021-03-11
• 公開（公告）號(hào): CN113011302B
• 公開（公告）日: 2022-04-01
• 發(fā)明（設(shè)計(jì)）人: 章涵;谷山強(qiáng);李健;嚴(yán)碧武;吳敏;蘇杰;雷夢(mèng)飛;陳揚(yáng);許遠(yuǎn)根;王宇;李濤
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 武漢開元知識(shí)產(chǎn)權(quán)代理有限公司 42104
• 代理人: 李滿;潘杰

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷聲信號(hào)識(shí)別系統(tǒng)及方法，針對(duì)雷聲訓(xùn)練集數(shù)據(jù)進(jìn)行雷聲類型人工標(biāo)注，建立雷聲分類標(biāo)簽定位文件，提取雷聲訓(xùn)練集數(shù)據(jù)的梅爾頻率倒譜系數(shù)，基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)梅爾頻率倒譜系數(shù)進(jìn)行訓(xùn)練獲得雷聲分類識(shí)別模型，最終實(shí)現(xiàn)待識(shí)別聲音數(shù)據(jù)的分類識(shí)別。本發(fā)明方法利用深度學(xué)習(xí)方法提高傳統(tǒng)雷聲信號(hào)檢測(cè)方法的魯棒性和準(zhǔn)確率，以滿足雷聲定位系統(tǒng)對(duì)識(shí)別結(jié)果的實(shí)時(shí)高效需求，不僅能夠克服多種環(huán)境噪聲對(duì)雷聲信號(hào)識(shí)別過程中的干擾，而且還能適用于源自不同通道位置的特征各異的雷聲信號(hào)。

技術(shù)領(lǐng)域

本發(fā)明涉及雷電信號(hào)監(jiān)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷聲信號(hào)識(shí)別系統(tǒng)及方法。

背景技術(shù)

雷電是自然界中影響人類活動(dòng)的嚴(yán)重災(zāi)害之一，不僅會(huì)造成人員傷亡，也會(huì)給我國(guó)航空航天、電子工業(yè)、石油化工、交通、森林等行業(yè)造成不可估量的經(jīng)濟(jì)損失。近年來，因雷電引起的事故頻發(fā)，使得社會(huì)各界人士越來越重視對(duì)雷電的實(shí)時(shí)監(jiān)測(cè)和防護(hù)。

對(duì)雷電的實(shí)時(shí)監(jiān)測(cè)是防雷減災(zāi)的基礎(chǔ)，國(guó)內(nèi)于上世紀(jì)八十年代末開始研究雷電定位技術(shù)，并從上世紀(jì)九十年代開始至今相繼在30多個(gè)省建立了雷電定位系統(tǒng)，現(xiàn)已實(shí)現(xiàn)全國(guó)聯(lián)網(wǎng)。雷電定位系統(tǒng)綜合多個(gè)探測(cè)站所獲取的雷電電磁信號(hào)，經(jīng)由中心站統(tǒng)一處理后，實(shí)時(shí)推算出雷擊發(fā)生的時(shí)間、位置、雷電流幅值等，定位精度達(dá)到了500m。雷電探測(cè)站的監(jiān)測(cè)范圍為30-300km，即在30km的近距離范圍內(nèi)會(huì)出現(xiàn)探測(cè)盲區(qū)。當(dāng)前某些防雷重點(diǎn)區(qū)域比如變電站、油庫、軍事?lián)c(diǎn)等需要對(duì)近距離范圍內(nèi)的雷電進(jìn)行實(shí)時(shí)監(jiān)測(cè)，而雷電定位系統(tǒng)難以滿足這些迫切需求。

雷聲定位是通過探測(cè)雷擊時(shí)產(chǎn)生的聲音信號(hào)和電磁信號(hào)，并根據(jù)二者到達(dá)信號(hào)接收設(shè)備的時(shí)間差來估算雷聲聲源與探測(cè)站間的距離，其探測(cè)范圍為15km，探測(cè)精度達(dá)到了20-100m，滿足對(duì)重點(diǎn)防雷區(qū)域雷電活動(dòng)實(shí)時(shí)監(jiān)測(cè)的要求。在探測(cè)雷聲信號(hào)時(shí)，需要對(duì)所關(guān)注的區(qū)域進(jìn)行實(shí)時(shí)聲音信號(hào)監(jiān)測(cè)，并從中篩選出用于雷聲定位的有效數(shù)據(jù)，即需要對(duì)原始監(jiān)測(cè)數(shù)據(jù)進(jìn)行雷聲識(shí)別。

目前常用的雷聲識(shí)別方法為統(tǒng)計(jì)分析雷聲數(shù)據(jù)庫中聲音信號(hào)的特征，選取具有較好區(qū)分性的特征參數(shù)，然后將待識(shí)別聲音與模板聲音兩者的參數(shù)值進(jìn)行匹配分析，根據(jù)匹配結(jié)果識(shí)別是否為雷聲信號(hào)。但是，雷聲信號(hào)會(huì)隨著雷電的形式、強(qiáng)弱以及遠(yuǎn)近的不同而變化多樣，利用傳統(tǒng)的波形、頻率等特征已無法滿足強(qiáng)隨機(jī)性雷聲的識(shí)別。近幾年，深度學(xué)習(xí)方法作為人工智能的一個(gè)分支，被廣泛應(yīng)用于語音識(shí)別、基因組學(xué)、量子化學(xué)等許多領(lǐng)域，深度學(xué)習(xí)技術(shù)為雷聲信號(hào)檢測(cè)提供了一種新型有效的方法。

發(fā)明內(nèi)容

本發(fā)明的目的就是要提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷聲信號(hào)識(shí)別系統(tǒng)及方法，旨在利用深度學(xué)習(xí)方法提高傳統(tǒng)雷聲信號(hào)檢測(cè)方法的魯棒性和準(zhǔn)確率，以滿足雷聲定位系統(tǒng)對(duì)識(shí)別結(jié)果的實(shí)時(shí)高效需求，不僅能夠克服多種環(huán)境噪聲對(duì)雷聲信號(hào)識(shí)別過程中的干擾，而且還能適用于源自不同通道位置的特征各異的雷聲信號(hào)。

為實(shí)現(xiàn)此目的，本發(fā)明所設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的雷聲信號(hào)識(shí)別系統(tǒng)，它包括人工標(biāo)注模塊、訓(xùn)練集數(shù)據(jù)預(yù)處理模塊、特征提取模塊、模型學(xué)習(xí)模塊、待識(shí)別聲音數(shù)據(jù)預(yù)處理模塊和分類識(shí)別模塊；所述人工標(biāo)注模塊針對(duì)雷聲訓(xùn)練集數(shù)據(jù)進(jìn)行雷聲類型人工標(biāo)注，建立雷聲分類標(biāo)簽定位文件；所述訓(xùn)練集數(shù)據(jù)預(yù)處理模塊針對(duì)所述人工標(biāo)注模塊輸出的雷聲訓(xùn)練集數(shù)據(jù)進(jìn)行降采樣處理，生成降采樣后的雷聲訓(xùn)練集數(shù)據(jù)；所述特征提取模塊用于從所述訓(xùn)練集數(shù)據(jù)預(yù)處理模塊降采樣處理后輸出的雷聲訓(xùn)練集數(shù)據(jù)中提取梅爾頻率倒譜系數(shù)；所述模型學(xué)習(xí)模塊基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述特征提取模塊輸出的雷聲訓(xùn)練集數(shù)據(jù)梅爾頻率倒譜系數(shù)和對(duì)應(yīng)的雷聲分類標(biāo)簽定位文件進(jìn)行訓(xùn)練，獲得雷聲分類識(shí)別模型；所述待識(shí)別聲音數(shù)據(jù)預(yù)處理模塊針對(duì)待識(shí)別聲音數(shù)據(jù)進(jìn)行分幀、降采樣和濾波預(yù)處理得到預(yù)處理后的待識(shí)別聲音數(shù)據(jù)；所述特征提取模塊還用于從所述待識(shí)別聲音數(shù)據(jù)預(yù)處理模塊預(yù)處理后輸出的待識(shí)別聲音數(shù)據(jù)中提取梅爾頻率倒譜系數(shù)；所述分類識(shí)別模塊結(jié)合所述模型學(xué)習(xí)模塊輸出的雷聲分類識(shí)別模型獲得待識(shí)別聲音數(shù)據(jù)對(duì)應(yīng)雷聲信號(hào)[1,0]和非雷聲信號(hào)[0,1]兩個(gè)類別的概率，當(dāng)待識(shí)別聲音數(shù)據(jù)對(duì)應(yīng)雷聲信號(hào)[1,0]的概率大于設(shè)定閾值時(shí)，則認(rèn)為待識(shí)別信號(hào)為雷聲信號(hào)。