自适应含噪信号过零率算法

AI summary

本文讨论了一种自适应的过零率计算方法，适用于语音检测和信号识别，尤其在噪声环境中。通过设定噪声阈值和能量阈值，改进了过零率的计算流程，以提高识别效果。提出了数字化占空比作为新特征，以区分脚步声和卡车声，测试结果显示两者的占空比差异明显。

自然信号由于电路、环境引入的噪声会在0水平位置波动，直接按上式计算过零率，严重影响识别效果。因此，本文在计算过零率时，对信号的幅值进行阈值限定，阈值的计算方法是：

其中F为阈值与峰峰值的系数因子，一般F在0.1~0.2之间，Vpp表示当前短时信号的峰峰值，THR(t)表示t时段的阈值。

因此增加阈值判别后计算过零率的流程图为：

过零率流程图

对应的C程序为：

上面代码定义了阈值结构体st_zerorate_thr，更新阈值的方法按(2)式执行，

关于初始阈值的选择：

这时要考虑的情况有些复杂，除了噪声阈值外，还要考虑能量阈值（确定是否是信号段），如下图：

上图为采集的地震信号（比如脚步声信号），只有有些数据才是我们想要分析的，因此可以通过能量对数据进行划分。为简单起见，直接通过信号的幅值对确定有效信号区域也是可以的。

当大于某个固定的阈值energy_thr时，并持续一段时间时，认为信号进入有效区域，开始按“自适应噪声阈值”的方案进行计算过零率

能量阈值一般都大于自适应噪声阈值，可以通过实验获得：

在两者之间找到一条错误率最低的水平分界值，作为能量阈值。

为简化程序的设计，本程序使用状态机的设计思想，2个状态：安静（无目标）状态、有目标状态。C程序上直接使用switch…case语句就可以了，对应的C程序如下：

好吧：结论只有一个：

在含有低频噪声的环境，使用过零率是很难区分脚步声和卡车的。

如下，是分别采集脚步声和卡车的图形：

因为卡车的采集信号高频都载波到低频信号上了，而在未判断实际目标之前，是无法使用低通滤波进行滤波（可能滤掉脚步声信号）。

综上，我看过很多的论文，大都提到使用过零率对脚步声了卡车进行识别，而且识别效果还不错，我不知他们的实验环境是什么样的，至少从上面的实验分析，还是有问题的。

因此，提出新的特征，用于区分两类信号——数字化占空比。其过程是：设定一个阈值，从头到尾扫描一帧信号，大于阈值的点设为1，否则设为0，我称之为数字化过程，然后计算高电平（即1）占所有一帧（512点）的百分比，用该百分比作为脚步声和卡车的识别数学特征。好了，我们用数学表述得专业些：

其中x>=THR表示序列中值大于THR的点数。测试结果：取THR=0.4*Vpp，则计算脚步信号的Dutycycle=4，而卡车信号的Dutycycle=113，差异非常明显。