邓 鑫，王岩松，杨 超，郭 辉

（上海工程技术大学 机械与汽车工程学院，上海 201620）

0 引 言

语音特征提取方法被广泛应用于各类信号的特征提取。传统的语音特征提取方法包括：梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient，MFCC）、线性预测倒谱系数（Linear Prediction Cepstral Coefficients，LPCC）等。文献［1－3］中采用MFCC 特征提取，在相应病理异常分类识别中取得了良好效果。文献［4］通过替换离散余弦变换，提高了对家庭中危险声学事件的检测效果。在MFCC的改进方面，文献［5］将SLCF 和SSF 分别与MFCC融合成新特征，降低了孤立字识别系统中的总错误率。文献［6］将谱熵梅尔积与MFCC 结合，提高了信噪比环境下，语音端点检测的准确率。文献［7］采用逆MFCC 变换，在DCASE 给定声学场景分类中取得较好的准确率；文献［8］将Teager 能量算子引入MFCC，在文本独立扬声器验证任务中，识别效果明显优于MFCC 方法；文献［9］将线性预测－希尔伯特变换与MFCC 结合，有效识别不良语音和正常语音。对于非语音信号和非平稳信号，MFCC 的特征提取能力不足。LPCC在口译准确度［10］、情感分类［11］和文本语音识别［12］方面都有不同程度的研究及应用，但是LPCC 对含噪信号特征提取效果不佳。

综上所述，现实环境中背景噪声大，汽车鸣笛声信号瞬时性强，因此基于单一特征的汽车鸣笛声识别方法效果有待提升。

本文提出的基于融合特征的汽车鸣笛声识别方法，具有识别率高、鲁棒性强、计算快速等特点。该方法首先对鸣笛声信号进行变分模态分解（Variational Modal Decomposition，VMD），获得多个本征模态分量，基于峭度准则筛选出主模态函数（Intrinsic Mode Function，IMF），并重构信号；随后，提取重构信号的MFCC 和LPCC 特征，并利用ReliefF算法实现特征降维和特征融合；……