本发明涉及气象观测仪器的测量技术，具体地说是基于雨水敲击声识别的雨量测量系统及其测量方法。
背景技术：
降水是地球水循环的重要环节，是水资源利用的重要组成部分。降水量的测量依赖于雨量计的测量方式与测量精度，不同雨量计的研究，是气象观测研究是重要组成部分，便捷精确的降雨测量方式仍是气象行业不断追求的。目前国内市场上常见的雨量计主要有翻斗式、虹吸式和称重式三种，当前的雨量计多数仍采用机械方式进行雨量测量，安装及检测方式仍然较为复杂和局限，智能化的雨量检测方式在我国尚未普及。
技术实现要素：
本发明所要解决的技术问题是针对上述现有技术现状，而提供一种测量精确、适应性强，能利用降水敲打产生的声信号识别雨量大小的基于雨水敲击声识别的雨量测量系统及其测量方法。
本发明解决上述技术问题所采用的技术方案为：
基于雨水敲击声识别的雨量测量系统，测量系统由雨量测量计、主机和上位机共同组成，雨量测量计为利用雨水的敲击声识别雨量大小的雨量测量计，该雨量测量计包括由金属薄片加工制成的金属空心球以及设置在该空心球的球心处用于采集雨水敲打空心球的表面产生的声信号的无线麦克风，无线麦克风与主机无线电信号相连接，该主机能将无线麦克风发送的声信号生成.mp3文件保存并将生成的文件上传给上位机，所述的上位机将接收的声信号进行去噪处理并结合bp神经网络训练，实现基于雨声信号的雨量测量。
为优化上述技术方案，采取的具体措施还包括：
上述的金属薄片的材料为具有良好声传递特性和耐腐蚀性的不锈钢材料。
上述的空心球由上半球和下半球组合构成；上半球的表面上的各点距无线麦克风的声传递距离相等。
本发明的一种基于雨水敲击声识别的雨量测量系统的测量方法，该测量方法包括以下步骤：
1)、目标声信号的采集：利用设置在雨量测量计的空心球内的无线麦克风采集目标声信号，目标声信号包含有雨水坠落时敲打空心球表面产生的雨声信号和由风声、雷声构成的噪声信号；
2)、目标声信号的去噪处理：用小波多阈值法对采集的目标声信号进行去噪；首先对目标声信号进行小波变换，选定一daubechies小波函数，对其进行n层多尺度小波分解；其次，选定阈值对1到n层的小波分解后的高频系数进行阈值量化，即当小波分解后的系数小于选定的阈值时，则认为该部分是噪声信号产生的，应将其置零予以去除；当小波分解后的系数大于选定的阈值时，则认为该部分是雨声信号产生的，应对其按照一定的函数关系逐渐趋近于零；最后，将第n层的低频系数和阈值处理后的1到n层的高频系数进行小波重构，重构后的信号即为去噪后的雨声信号；所述的n为大于1的正整数；
3)、雨声信号特征参数提取：用mfcc即mel频率倒谱系数与小波包对雨声信号进行特征向量提取，将提取出的特征向量联合作为bp神经网络的输入层；将雨声信号进行傅里叶变换获得其频谱；在频谱的基础上，求平方得到能量谱，同时用n个mel滤波器对其进行滤波，设第n个滤波器的功率谱为y’(n)；mfcc系数公式如下：
p选定为15；归一化转为一维向量；另外对同一雨声信号进行小波包三层分解后得到8个频率分量，其次对这8个频率分量进行重构获得其重构信号的分量，计算出重构信号分量的能量；然后以重构信号分量的能量作为声目标识别的特征向量，最后作归一化处理获得最终特征向量；由此，输入层共有15+8＝23个输入量；
4)、bp神经网络训练及识别：利用bp神经网络拓扑结构，输入层神经元个数为雨声信号的特征向量，共23个；隐含层神经元个数据经验值选为25个；由此，bp网络拓扑结构为23-25-4；将训练好的神经网络用于雨量识别；实现基于雨声信号的雨量识别。
与现有技术相比，本发明基于雨水敲击声识别的雨量测量系统由雨量测量计、主机和上位机共同组成，雨量测量计为一种新型的雨量测量计，它包括外形呈球形结构的空心球和用于采集声信号的无线麦克风，空心球采用不锈钢材料制成，不仅传声好，而且耐腐蚀。球形的空心球还能使雨滴落在雨量测量计表面时迅速滑落从而不影响之后的雨声收集，并且球形相比传统的开口朝上直接收集雨水的雨量计来说，还能有效地减少落叶、泥沙等污垢的堆积，减少日常的维护量。本发明系统利用雨水对雨量测量计的敲打产生的声信号作为处理对象，经过预加重、加窗分帧等预处理，再经小波阈值去噪得到趋近于真实的雨声信号，并对该信号提取mel倒谱系数及小波包重构信号分量的能量作为特征向量，设计分类器，部分样本用于bp神经网络进行训练，剩余样本用于雨量识别，从而实现基于雨声信号的雨量测量。
附图说明
图1是本发明雨量测量计的结构示意图；
图2是本发明的技术线路图；
图3是无线麦克风和主机组成的无线录音设备；
图4是bp神经网络拓扑结构。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
其中的附图标记为：空心球1、无线麦克风2、主机3、雨滴4。
本发明公开了一种基于雨水敲击声识别的雨量测量系统，该测量系统由雨量测量计、主机和上位机共同组成。本发明的雨量测量计为一种新型的雨量测量计，它是用于捕获下雨时雨水对雨量测量计敲击产生的声信号的一种雨量测量计，其利用敲击产生的声信号来识别雨量大小。雨量测量计包括由金属薄片加工制成的金属空心球1以及设置在该空心球1的球心处用于采集雨水敲打空心球1的表面产生的声信号的无线麦克风2。
本发明的无线麦克风2与主机3无线电信号相连接，该主机3能将无线麦克风2发送的声信号生成.mp3文件保存并将生成的文件上传给上位机，上位机将接收的声信号进行去噪处理并结合bp神经网络训练，实现基于雨声信号的雨量测量。
本发明为了保证雨滴(雨水)落在雨量测量计表面时能够迅速地滑落而不影响之后的雨声收集，雨量测量计的外形选择为球形。这种形状的雨量测量计相较于传统的开口朝上直接收集雨水的雨量测量计，有效减少的落叶、泥沙等污垢的堆积，减少的日常维护需求。从图1可以看出：
由三维坐标系内受力分析可知，当雨滴4坠落至雨量测量计的金属空心球1的表面，对其所受重力进行受力分析。雨滴4所处位置与z轴形成的夹角为θ，力f1、f2为雨滴4所受重力g的分量，其中f2用于抵消雨滴4所受雨量测量计的表面支持力，f1才是将雨滴4带离雨量测量计的真正分力。由下列公式可知
f1＝mgsinθ
随着雨滴4的滑落，θ逐渐增大，f1随之增大，雨滴4的滑落速度就越来越快。
实施例中，金属薄片的材料为具有良好声传递特性和耐腐蚀性的不锈钢材料。由于本发明的雨量测量计基于采集雨水对雨量测量计敲打产生的声信号，因此空心球1要选用对声音传递具有比较良好特性的金属制品，再加上雨量测量计需要设计户外，因此需要雨量测量计还要求具有较好的耐腐蚀性，因此最佳选用不锈钢材料。
实施例中，空心球1由上半球和下半球组合构成；上半球的表面上的各点距无线麦克风2的声传递距离相等。上半球形各点距内部无线麦克风2等距，能保证相同雨量下从雨量测量计各点传入的雨声基本相同。
本发明还提供了一种基于雨水敲击声识别的雨量测量系统的测量方法，该方法包括以下步骤：
1)、目标声信号的采集：利用设置在雨量测量计的空心球1内的无线麦克风2采集目标声信号，所述的目标声信号包含有雨水坠落时敲打空心球表面产生的雨声信号和由风声、雷声构成的噪声信号；
2)、目标声信号的去噪处理：用小波多阈值法对采集的目标声信号进行去噪；首先对目标声信号进行小波变换，选定一daubechies小波函数，对其进行n层多尺度小波分解；其次，选定阈值对1到n层的小波分解后的高频系数进行阈值量化，即当小波分解后的系数小于选定的阈值时，则认为该部分是噪声信号产生的，应将其置零予以去除；当小波分解后的系数大于选定的阈值时，则认为该部分是雨声信号产生的，应对其按照一定的函数关系逐渐趋近于零；最后，将第n层的低频系数和阈值处理后的1到n层的高频系数进行小波重构，重构后的信号即为去噪后的雨声信号；所述的n为大于1的正整数；
3)、雨声信号特征参数提取：用mfcc即mel频率倒谱系数与小波包对雨声信号进行特征向量提取，将提取出的特征向量联合作为bp神经网络的输入层；将雨声信号进行傅里叶变换获得其频谱；在频谱的基础上，求平方得到能量谱，同时用n个mel滤波器对其进行滤波，设第n个滤波器的功率谱为y’(n)；mfcc系数公式如下：
p选定为15；归一化转为一维向量；另外对同一雨声信号进行小波包三层分解后得到8个频率分量，其次对这8个频率分量进行重构获得其重构信号的分量，计算出重构信号分量的能量；然后以重构信号分量的能量作为声目标识别的特征向量，最后作归一化处理获得最终特征向量；由此，输入层共有15+8＝23个输入量；
4)、bp神经网络训练及识别：利用bp神经网络拓扑结构，输入层神经元个数为雨声信号的特征向量，共23个；隐含层神经元个数据经验值选为25个；由此，bp网络拓扑结构为23-25-4；将训练好的神经网络用于雨量识别；实现基于雨声信号的雨量识别。
如图2所示，本发明利用雨水对雨量测量计敲打产生的声信号作为处理对象，经过预加重、加窗分帧等预处理，再经小波阈值去噪得到趋近于真实的雨声信号，对该信号提取mel倒谱系数及小波包重构信号分量的能量作为特征向量，设计分类器，部分样本用于bp神经网络进行训练，剩余样本用于雨量识别，从而实现基于雨声信号的雨量测量。
进一步的，本发明的测量方法的步骤2)中，去噪选用db2小波，用小波阈值去噪法对雨声信号进行去噪，选用h(z)＝1-0.98z-1一阶高通数字滤波器加重雨声信号的高频成分，补偿该部分信号分量的损失。使用汉明窗进行加窗，然后对序列进行分帧处理，将雨声信号分256点为一帧，帧移80。用双门限检测法对雨声信号进行端点检测。
进一步的，本发明的测量方法的步骤3)中，
1)将经预处理后的雨声信号进行快速傅里叶变换，对其频谱求平方得到能量，谱。采用1组mel滤波器对能量谱进行带通滤波，得到滤波器输出的一组系数m1，m2，…，mi。
mi＝ln[x(k)×hm(k)]
其中，hm(k)是滤波器的频响函数。
对输出量取对数，得到对应频带内的对数功率谱，并进行反离散余弦变化，得到i个mfcc参数。通常选择前12～16维作为特征参数，在此选取12维。mfcc系数求解公式如下：
式中：m＝1,2,3,…，i，设第n个滤波器的功率谱为y'(n)。
由此就获得mfcc系数，称为此雨声信号的静态特征。经此过程求取到四种雨量声信号的mfcc系数，取i＝12，分别得到一个10×12的系数矩阵。随后，为了便于对后期分类器的设计，需要降低数据维度。不妨设mfcc系数矩阵中的每一维向量为:
[al,bl,cl,dl,el,fl,gl,hl,il,jl]',l＝1,2,3…12
为将系数矩阵转换成一维向量，使用平方和开根公式得到一个新的mfcc系数向量[fl]：
于是分别将四种雨量mfcc系数表中的数据转化为一维行向量。将最终得到的1×12维数据作为雨声信号的特征向量。
6.实施例中，本发明的测量方法的步骤4)中，bp神经网络输入层节点设置为12，输出层节点是3，隐含层节点数取6。将提取出的暴雨、大雨、中雨、小雨的mfcc系数数据分别存于mydata1.mat，mydata2.mat，mydata3.mat，mydata4.mat数据库文件中，四种雨声信号分别用1,2,3,4标识。根据标识号，令暴雨的期望输出向量为[1000]，大雨为[0100]，中雨为[0010]，小雨为[0001]。随机选取雨声信号特征值作为训练样本，学习误差目标设为0.01。剩下的为测试样本，检测识别率。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。