[发明专利]一种基于DWPT-MFCC与GMM的车内异响识别方法

权利要求书

1.一种基于DWPT-MFCC与GMM的车内异响声音识别方法，其特征在于，包括以下步骤：

步骤一，异响信号的采集：

在异响半消声实验室中借助声传感器采集车内异响声音信号，

步骤二，信号的预处理：

首先通过端点检测将突变异响声音从采集的声音信号中分离出来，然后对分离出来信号进行分帧处理，最后对信号进行加窗；

步骤三，特征参数的提取：

首先将预处理之后的信号进行Mel频率的转换，然后计算其MFCC特征参数值，在计算MFCC特征参数值的过程中，引入小波包变换，得到DWPT-MFCC参数值，作为异响声音识别的特征参数；

步骤四，模型训练：

利用提取到的特征参数作为GMM模型训练的参数输入，为每一类异响声音建立GMM模型；最后将训练得到的每种异响的模板存入模板库，用于后续识别模块的匹配识别；

步骤五，待测异响的识别：

采集待测异响信号，根据步骤二～三的方法对待测异响信号进行预处理、提取特征参数，再与模板库中的异响的模板数据进行模式匹配与辨别，根据最大后验概率法得到识别结果；其中，待测异响信号的采集是利用智能手机采集，智能手机实时与车载主控制器进行数据传输，将采集到的待测信号发送给车载的识别模块进行异响的识别，同时智能手机能够接收识别结果。

2.根据权利要求1所述的基于DWPT-MFCC与GMM的车内异响声音识别方法，其特征在于，步骤一中采集的车内异响声音种类包括：车窗共振异响、座椅导轨损坏撞击异响、手套箱卡扣配合不当的撞击异响、扶手架共振异响和车门密封条异响；采样频率为48000Hz，背景噪声控制在30dB以内，异响试验台的振动噪声控制在2Sone以内。

3.根据权利要求1所述的基于DWPT-MFCC与GMM的车内异响声音识别方法，其特征在于，步骤二中帧长设置为512，帧移设置为256，所加窗函数为Hamming窗。

4.根据权利要求1所述的基于DWPT-MFCC与GMM的车内异响声音识别方法，其特征在于，步骤二中端点检测的方法通过信号小波包子带方差参数的检测来实现，若信号某帧的小波包子带方差参数值超过阈值，则认为是随机性异响发生的端点。

5.根据权利要求1所述的基于DWPT-MFCC与GMM的车内异响声音识别方法，其特征在于，步骤三中DWPT-MFCC的计算过程如下：

(1)对预处理后的信号的各帧进行3层小波包分解，小波基选择db3，得到8个子频带，求出每一个频带的小波包系数；

(2)对每一个子频带进行傅里叶变换，求取每一层小波包系数的频谱，并对低频近似部分和高频细节部分的频谱进行拼接，将近似系数的频谱放置在第一层，高频细节系数的频谱翻转后按照分辨率由小到大拼接，得到整个信号的新频谱；

(3)将拼接好的频谱通过Mel尺度转换的滤波器组，实现Mel尺度的转换；滤波器组中第m个滤波器的传递函数H_m(k)表示为：

式中，f(m)是第m个滤波器的中心频率，k指经过傅里叶变换计算后信号采样点的编号；

(4)求对数能量s(m)

式中，X_a(t)是信号第t个采样点的数值，t的范围为0～Q；M是滤波器组中滤波器的总个数，Q表示信号的总采样点数；

(5)进行离散余弦变换(DCT)，得到改进的DWPT-MFCC特征参数C(n)，

式中，L为DWPT-MFCC系数的阶数，n代表参数中的每一阶，取值范围为1～L，M是滤波器组中滤波器的个数。

6.根据权利要求1所述的基于DWPT-MFCC与GMM的车内异响声音识别方法，其特征在于，步骤四的具体步骤为：

将特征参数作为EM算法的输入变量，用EM算法中的E步对待估参量进行似然概率估计，用M步完成混合高斯函数参数的更新，使期望值达到最大，计算每个特征参数落在隐状态的似然概率；然后判断模型是否收敛，若未收敛则继续进行EM算法迭代；最终得到一个异响声音的模板库，用于后续识别过程中的模板匹配。