● 摘要
地下监听系统以其隐蔽性强，监控范围广，成本较低等优点受到文物保护部门的关注。但由于系统基于声控报警的工作原理，易受恶劣天气下自然噪声的干扰，误报率较高，成为其推广使用的主要困难。本文的目的是减少误报，区分报警信号，如脚步声、挖掘声和自然环境造成误报的主要因素，如雷声、雨声、风声是本课题的主要任务。本文的研究归结为依靠声信号特征来区分报警信号和噪声的模式识别问题。围绕这一目标，首先进行信号采集，并建立雷声、雨声、风声、挖掘声、脚步声五类声信号样本库。然后，对信号进行预处理，目的是减小噪声对信号的干扰，提高特征模板的准确度，采用的方法包括去均值、切分信号、功率谱估计、滤波、标准化信号。通过对五类声信号的原始特征，时域特征和频域特征的分析，本文采用了具有多分辨率特性的小波分析方法对信号进行时频分析。选择合适的小波基对信号进行多尺度小波分解，利用小波系数与信号能量在时域上的等价关系，得到各子带小波系数的能量，并应用主成分分析的特征选择方法，达到构造低维信号特征空间的目的。依靠提取出的特征，本文使用了人工识别，聚类分析和神经网络的分类方法。主要应用了三层BP神经网络，针对不同的特征提取方法，对网络进行了设计和学习训练。利用BP网络解读信号特征间的差异，来判断声信号类别，然后屏蔽自然噪声类信号的报警，达到降低误报的目的。通过对样本数据的计算机仿真，表明了有较好的识别效果。本课题的研究有着广阔的应用前景，可应用于文物防盗，管道防盗等野外防盗系统。所获取的声信号特征和数据库，对于开展相关研究也具有积极的借鉴意义。