森林盗窃行为识别方法专利检索-森林砍伐环境工程专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

森林盗窃行为识别方法

阅读：638发布：2020-05-19

IPRDB可以提供森林盗窃行为识别方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种森林盗窃行为识别方法，属于信息处理领域。该方法采用SOFM方法对音频信号进行子类分析，从而判断音频信号是否为森林盗窃行为；采用SVM方法建立两个分类器来识别森林盗林行为，进一步将森林盗林行为的类型分为砍伐行为、锯伐行为和其他行为；采用SVM方法建立一个分类器来识别森林盗猎行为，进一步将森林盗猎行为的类型分为枪击行为和其他行为；微处理器对音频信号的声源方向角进行计算，从而确定了森林盗窃行为的方位。，下面是森林盗窃行为识别方法专利的具体信息内容。

权利要求

1.一种森林盗窃行为识别方法，包括四元阵传感器、四个信号处理单元和微处理器，其中所述四元阵传感器用于采集四路音频信号并分别发送给对应的信号处理单元；所述信号处理单元用于对音频信号进行放大、滤波处理；且所述微处理器用于分别采集该经信号处理单元处理后的音频信号，其特征在于：该微处理器采用SOFM方法对音频信号进行子类分析，从而判断该音频信号是否为森林盗窃行为，包括以下步骤：A1、微处理器从采集到的音频信号中提取n个音频性能参数；

A2、初始化SOFM算法的参数，将连接权向量集合W中各连接权向量均设置为数值区间[0,1]内的随机值，且将学习速率η(0)也设置为数值区间[0,1]内的随机值；

A3、将所述n个音频性能参数分别作为输入层神经元，构成SOFM算法中的输入层向量X=(x1,…,xi,…,xn)，设定竞争层向量A由m个竞争层神经元构成且表示为A=(a1,…,aj,…,am)，并且计算该输入层向量X与竞争层向量A之间的连接权向量集合W=（w11,…wij,…wnm），其中xi表示输入层向量X中的第i个输入层神经元，aj表示竞争层向量A中第j个输入层神经元，且该连接权向量集合W由n×m个连接权向量构成，wij表示输入层向量X中第i个输入层神经元与竞争层向量A中第j个输入层神经元之间的连接权向量，1≤i≤n，

1≤j≤m且i、j、n、m均为大于零的整数；

A4、分别计算该输入层向量X中每一输入层神经元分别与连接权向量集合W中所有连接权向量的欧氏距离d，其中输入层向量X中第k个输入层神经元的欧氏距离表示为xk表示输入层向量X中第k个输入层神经元，wij表示连接权向量集合W中第i个输入层神经元与第j个竞争层神经元之间的连接权向量，1≤k≤n，

1≤i≤n，1≤j≤m且k、i、j、n和m均为大于零的整数；

A5、分别将输入层向量X中每一输入层神经元的欧氏距离d与盗猎最小值d1进行比较：如果存在d

D2、计算声源M分别传输至四元阵传感器中四个声音传感器的时间T1、T2、T3和T4，并且以四个声音传感器之一作为标准传感器，分别计算声源传输至该标准传感器与传输至其他三个声音传感器的时间差T12、T13和T14，其中T12=T1-T2，T13=T1-T3，T14=T1-T4，且T1、T2、T3、T4、T12、T13和T14均为大于零的任意数值；

D3、根据四元阵传感器时差算法模型及三角几何算法，计算声源M在XY平台上的投影声源M’与X轴的声源方向角β：β=arctan[(T14-T12)/T13]；

D4、循环执行步骤D1至步骤D3N次，获得N个声源方向角；

D5、对该N个声源方向角求取平均值，由此获得该音频信号的声源方向角，在微处理器计算该音频信号的声源方向角之前，对四元阵传感器中四个声音传感器在十字支架上的布局进行设计，使得声音传感器与该十字支架上十字交叉点之间的距离L为：L=（X+Y）*（331+0.6*T2），其中X、Y均为大于零的任意数值，T2为任意数值，X表示微处理器的指令处理时间，Y表示电路延迟及数据采样时间，T2表示该森林防盗探测装置的最高工作温度，从而进一步提高了声源方向角的计算精度。

2.根据权利要求1所述的森林盗窃行为识别方法，其特征在于：该微处理器采用SVM方法建立两个分类器来识别森林盗林行为，其识别过程由以下步骤组成：B1、建立用于区分砍伐行为的第一分类器，且该第一分类器表示为

其中sign为符号函数，n表示步骤S1中音频信号的音

频性能参数的个数，αi表示拉格朗日函数，yi表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

{C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分；

根据求取yi，其中m为该第一分类器输出结果的个数且等于3；

该第一分类器选取RBF核函数（Radical Basis Function，径向基核函数），2

K(x,x')=exp(-γ||x-x'||)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其取值为0.43318，x表示输入向量，即从音频信号中提取的音频性能参数，x'表示x的映射函数；

该第一分类器中修正系数b的取值范围为[0.001,0.090]；

B2、建立用于区分锯伐行为的第二分类器，且该第二分类器表示为

其中sign为符号函数，n表示步骤S1中音频信号的

音频性能参数的个数，表示拉格朗日函数，表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

{C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分；

根据求取yi，其中m为该第二分类器输出结果的个数且等于3；

该第二分类器选取RBF核函数（Radical Basis Function，径向基核函数），2

K(x,x')=exp(-γ||x-x'||)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其取值为0.52319，x表示输入向量，即从音频信号中提取的n个音频性能参数，x'表示x的映射函数；

该第二分类器中修正系数b的取值范围为[0.001,0.090]；

B3、将所述步骤A1中从音频信号中提取的n个音频性能参数作为输入向量X，输入第一分类器f1(x)中，如果f1(x)>0则表示该音频信号为砍伐行为，如果f1(x)≤0则进一步将该输入向量X输入第二分类器f2(x)中，如果f2(x)>0则表示该音频信号为锯伐行为，否则为其他行为。

3.根据权利要求1所述的森林盗窃行为识别方法，其特征在于：该处理器采用SVM方法建立一个分类器来识别森林盗猎行为，其识别过程由以下步骤组成：C1、建立用于区分枪击行为的第三分类器，且该第三分类器表示为

其中sign为符号函数，n表示步骤S1中音频信号的音

频性能参数的个数，αi表示拉格朗日函数，yi表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

{C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分；

根据求取yi，其中m为该第三分类器输出结果的个数且等于2；

该第一分类器选取RBF核函数（Radical Basis Function，径向基核函数），2

K(x,x')=exp(-γ||x-x'||)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其取值为0.51612，x表示输入向量，即从音频信号中提取的音频性能参数，x'表示x的映射函数；

该第三分类器中修正系数b的取值范围为[0.001,0.090]；

C2、将所述步骤A1中从音频信号中提取的n个音频性能参数作为输入向量X，输入第三分类器f3(x)中，如果f3(x)>0则表示该音频信号为枪击行为，否则为其他行为。

4.根据权利要求2所述的森林盗窃行为识别方法，其特征在于：在步骤B1中第一分类器的风险控制系数C的最佳值为1009.32，则该αi=0.32，且修正系数b的最佳值为0.017；

在步骤B2中第二分类器的风险控制系数C的最佳值为1062.23661，则该αi=0.23661，且修正系数b的最佳值为0.021。

5.根据权利要求3所述的森林盗窃行为识别方法，其特征在于：在步骤C1中第三分类器的风险控制系数C的最佳值为1016.27，则该αi=0.27，且修正系数b的最佳值为0.045。

6.根据权利要求1所述的森林盗窃行为识别方法，其特征在于：在微处理器的音频检测器对采集到的音频信号进行特定频段检测，只有音频信号的频率在该特定频段范围内，该音频检测器才输出响应信号给微处理器以唤醒微处理器，微处理器开始对音频信号进行分析。

7.根据权利要求1所述的森林盗窃行为识别方法，其特征在于：该四元阵传感器中声音传感器与该十字支架上十字交叉点之间距离L的取值范围为1.895～37.8mm。

8.根据权利要求7所述的森林盗窃行为识别方法，其特征在于：该四元阵传感器中声音传感器与该十字支架上十字交叉点之间的距离为18.95mm。

说明书全文

森林盗窃行为识别方法

技术领域

[0001] 本发明涉及森林防盗方法，尤其是一种森林盗窃行为识别方法。

背景技术

[0002] 森林防盗是指防范人为盗林、盗猎的行为，属于林业生态安全保护的重要领域。由于经济利益的驱使及法律意识淡薄，森林盗窃林政案件时有发生，是林业生态安全的重要隐患之一。目前，森林防盗主要依靠人工巡护，尚没有可利用的信息化解决方案实现对盗林行为的监测及预警。

[0003] 此外，巡护人员无法预知森林盗窃行为的类型，无法对森林盗窃行为做出相应的处理准备。

发明内容

[0004] 本发明的目的是提供一种森林盗窃行为识别方法，通过采用SOFM方法可以准确地判断出该音频信号是否为森林盗窃行为。

[0005] 为了实现上述目的，本发明提供了一种森林盗窃行为识别方法，包括四元阵传感器、四个信号处理单元和微处理器，其中所述四元阵传感器用于采集四路音频信号并分别发送给对应的信号处理单元；所述信号处理单元用于对音频信号进行放大、滤波处理；且所述微处理器用于分别采集该经信号处理单元处理后的音频信号，其特征在于：该微处理器采用SOFM方法对音频信号进行子类分析，从而判断该音频信号是否为森林盗窃行为，包括以下步骤：

[0006] A1、微处理器从采集到的音频信号中提取n个音频性能参数；

[0007] A2、初始化SOFM算法的参数，将连接权向量集合W中各连接权向量均设置为数值区间[0,1]内的随机值，且将学习速率η(0)也设置为数值区间[0,1]内的随机值；

[0008] A3、将所述n个音频性能参数分别作为输入层神经元，构成SOFM算法中的输入层向量X=(x1,…,xi,…,xn)，设定竞争层向量A由m个竞争层神经元构成且表示为A=(a1,…,aj,…,am)，并且计算该输入层向量X与竞争层向量A之间的连接权向量集合W=（w11,…wij,…wnm），其中xi表示输入层向量X中的第i个输入层神经元，aj表示竞争层向量A中第j个输入层神经元，且该连接权向量集合W由n×m个连接权向量构成，wij表示输入层向量X中第i个输入层神经元与竞争层向量A中第j个输入层神经元之间的连接权向量，1≤i≤n，1≤j≤m且i、j、n、m均为大于零的整数；

[0009] A4、分别计算该输入层向量X中每一输入层神经元分别与连接权向量集合W中所有连接权向量的欧氏距离d，其中输入层向量X中第k个输入层神经元的欧氏距离表示为xk表示输入层向量X中第k个输入层神经元，wij表示连接权向量集合W中第i个输入层神经元与第j个竞争层神经元之间的连接权向量，1≤k≤n，
1≤i≤n，1≤j≤m且k、i、j、n和m均为大于零的整数；

[0010] A5、分别将输入层向量X中每一输入层神经元的欧氏距离d与盗猎最小值d1进行比较：如果存在d

[0011] 该微处理器采用SVM方法建立两个分类器来识别森林盗林行为，其识别过程由以下步骤组成：

[0012] B1、建立用于区分砍伐行为的第一分类器，且该第一分类器表示为其中sign为符号函数，n表示步骤S1中音频信号的音
频性能参数的个数，αi表示拉格朗日函数，yi表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

[0013] {C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分；

[0014] 根据求取yi，其中m为该第一分类器输出结果的个数且等于3；

[0015] 该第一分类器选取RBF核函数（Radical Basis Function，径向基核函数），K(x,x')=exp(-γ||x-x'||2)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其取值为0.43318，x表示输入向量，即从音频信号中提取的音频性能参数，x'表示x的映射函数；

[0016] 该第一分类器中修正系数b的取值范围为[0.001,0.090]；

[0017] B2、建立用于区分锯伐行为的第二分类器，且该第二分类器表示为其中sign为符号函数，n表示步骤S1中音频信号的
音频性能参数的个数，表示拉格朗日函数，表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

[0018] {C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分；

[0019] 根据求取yi，其中m为该第二分类器输出结果的个数且等于3；

[0020] 该第二分类器选取RBF核函数（Radical Basis Function，径向基核函数），2
K(x,x')=exp(-γ||x-x'||)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其取值为0.52319，x表示输入向量，即从音频信号中提取的n个音频性能参数，x'表示x的映射函数；

[0021] 该第二分类器中修正系数b的取值范围为[0.001,0.090]；

[0022] B3、将所述步骤A1中从音频信号中提取的n个音频性能参数作为输入向量X，输入第一分类器f1(x)中，如果f1(x)>0则表示该音频信号为砍伐行为，如果f1(x)≤0则进一步将该输入向量X输入第二分类器f2(x)中，如果f2(x)>0则表示该音频信号为锯伐行为，否则为其他行为。

[0023] 该处理器采用SVM方法建立一个分类器来识别森林盗猎行为，其识别过程由以下步骤组成：

[0024] C1、建立用于区分枪击行为的第三分类器，且该第三分类器表示为其中sign为符号函数，n表示步骤S1中音频信号的音
频性能参数的个数，αi表示拉格朗日函数，yi表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

[0025] {C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分；

[0026] 根据求取yi，其中m为该第三分类器输出结果的个数且等于2；

[0027] 该第一分类器选取RBF核函数（Radical Basis Function，径向基核函数），K(x,x')=exp(-γ||x-x'||2)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其取值为0.51612，x表示输入向量，即从音频信号中提取的音频性能参数，x'表示x的映射函数；

[0028] 该第三分类器中修正系数b的取值范围为[0.001,0.090]；

[0029] C2、将所述步骤A1中从音频信号中提取的n个音频性能参数作为输入向量X，输入第三分类器f3(x)中，如果f3(x)>0则表示该音频信号为枪击行为，否则为其他行为。

[0030] 在步骤B1中第一分类器的风险控制系数C的最佳值为1009.32，则该αi=0.32，且修正系数b的最佳值为0.017；

[0031] 在步骤B2中第二分类器的风险控制系数C的最佳值为1062.23661，则该αi=0.23661，且修正系数b的最佳值为0.021。

[0032] 在步骤C1中第三分类器的风险控制系数C的最佳值为1016.27，则该αi=0.27，且修正系数b的最佳值为0.045。

[0033] 该微处理器计算该音频信号的声源方向角，从而确定森林盗窃行为的方位，其由以下步骤组成：

[0034] D1、采集时间段T内的四路音频信号；

[0035] D2、计算声源M分别传输至四元阵传感器中四个声音传感器的时间T1、T2、T3和T4，并且以四个声音传感器之一作为标准传感器，分别计算声源传输至该标准传感器与传输至其他三个声音传感器的时间差T12、T13和T14，其中T12=T1-T2，T13=T1-T3，T14=T1-T4，且T1、T2、T3、T4、T12、T13和T14均为大于零的任意数值；

[0036] D3、根据四元阵传感器时差算法模型及三角几何算法，计算声源M在XY平台上的投影声源M’与X轴的声源方向角β：β=arctan[(T14-T12)/T13]；

[0037] D4、循环执行步骤D1至步骤D3N次，获得N个声源方向角；

[0038] D5、对该N个声源方向角求取平均值，由此获得该音频信号的声源方向角。

[0039] 在微处理器的音频检测器对采集到的音频信号进行特定频段检测，只有音频信号的频率在该特定频段范围内，该音频检测器才输出响应信号给微处理器以唤醒微处理器，微处理器开始对音频信号进行分析。

[0040] 在微处理器计算该音频信号的声源方向角之前，对四元阵传感器中四个声音传感器在十字支架上的布局进行设计，使得声音传感器与该十字支架上十字交叉点之间的距离L为：L=（X+Y）*（331+0.6*T2），其中X、Y均为大于零的任意数值，T2为任意数值，X表示微处理器的指令处理时间，Y表示电路延迟及数据采样时间，T2表示该森林防盗探测装置的最高工作温度，从而进一步提高了声源方向角的计算精度。

[0041] 该四元阵传感器中声音传感器与该十字支架上十字交叉点之间距离L的取值范围为1.895～37.8mm。

[0042] 该四元阵传感器中声音传感器与该十字支架上十字交叉点之间的距离为18.95mm。

[0043] 综上所述，由于采用了上述技术方案，本发明的有益效果是：

[0044] 1、本发明采用SOFM方法对音频信号进行子类分析，从而判断音频信号是否为森林盗窃行为；

[0045] 2、本发明采用SVM方法建立两个分类器来识别森林盗林行为，进一步将森林盗林行为的类型分为砍伐行为、锯伐行为和其他行为；

[0046] 3、本发明采用SVM方法建立一个分类器来识别森林盗猎行为，进一步将森林盗猎行为的类型分为枪击行为和其他行为；

[0047] 4、本发明中微处理器对音频信号的声源方向角进行计算，从而确定了森林盗窃行为的方位；

[0048] 5、在本发明对音频信号进行分析之前，通过音频检测器对音频信号进行特定频段检测，只有该音频信号在该特定频段范围内，才唤醒微处理器，由此不仅减少了能源浪费，而且实现了对音频信号的粗过滤；

[0049] 6、对四元阵传感器中声音传感器与十字支架之间的距离进行改进，使得声音传感器与该十字支架上十字交叉点之间的距离L为：L=（X+Y）*（331+0.6*T2），由此不仅减小了十字支架的体积，便于安装，而且提高了音频信号所对应声源方向角的计算精度。

附图说明

[0050] 本发明将通过例子并参照附图的方式说明，其中：

[0051] 图1是本发明中森林防盗行为识别装置的电路原理图；

[0052] 图2是本发明中森林盗窃行为的类型识别流程图；

[0053] 图3是本发明中森林防盗行为识别装置中四元阵传感器的模型示意图；

[0054] 图4是本发明中森林盗窃行为的方位识别流程图。

具体实施方式

[0055] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

[0056] 本说明书（包括任何附加权利要求、摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

[0057] 如图1所示，该森林防盗行为识别装置包括太阳能板、储能装置、电源管理模块、四元阵传感器、四路信号处理单元、音频检测器、微处理器、状态指示电路和无线通信模块，其中太阳能板的输出端连接电源管理模块且储能装置与电源管理模块双向连接，太阳能板将太阳能转换成电能传输给电源管理模块，电源管理模块用于在供电充足时由电源管理模块向该森林防盗探测装置的各组件提供电源，并将多余的电能存储至储能装置中，在供电不足时由储能装置向该森林防盗探测装置的各组件提供电源。在本实用新型的实施例中，该四元阵传感器为四通道高灵敏度声音传感器，由四个声音传感器组成，分别设置在十字支架的四条边上并且分别连接该四路信号处理单元，四路信号处理单元中的两路通过音频检测器连接微处理器，另外两路直接连接微处理器，微处理器的输出端连接状态指示电路，并且微处理器还分别与无线通信模块双向连接。

[0058] 该四元阵传感器用于采集四路音频信号并分别发送给对应的信号处理单元；该信号处理单元对音频信号进行放大、滤波处理并将经处理后的两路音频信号发送给音频检测器；该音频检测器对该两路音频信号进行特定频段检测：只有音频信号的频率在该特定频段范围内，该音频检测器才输出响应信号给微处理器以唤醒微处理器；微处理器在唤醒后采集四路音频信号，确定是否存在森林盗窃行为，在确定存在森林盗窃行为的前提下识别该森林盗窃行为的类型，并且根据四元阵传感器时差算法模型计算声源方向角。该状态指示灯采用LED灯来显示微处理器的工作状态，诸如休眠、唤醒、探测、通信等工作状态。该微控制器控制无线通信模块，将微控制器中的声源方向角、森林盗窃行为的类型等发送给远程监控平台。

[0059] 本实用新型采用太阳能板作为主要供电来源，适应于野外环境使用；采用音频检测器对采集到的音频信号进行特定频段检测，只有在音频信号的频率在该特定频段内，即该音频信号显示可能存在森林盗窃行为时才唤醒微处理器开始工作，否则处于休眠状态，由此大大降低了能源的浪费，并且实现了音频信号的粗过滤；并且采用无线通信模块，可以将微处理器的处理和识别结果发送给远程监测平台，实现远程监测，降低了人力资源浪费。

[0060] 应注意的是：上述音频检测器可以采集两路音频信号进行特定频段检测，也可以采集一路、三路等；无线通信模块包括但不限於GSM模块、GPRS模块和SIM模块。

[0061] 在上述音频信号的采集过程中，仅通过音频检测器对音频信号进行粗过滤，无法根据该音频信号准确判断是否存在森林盗窃行为，因此本发明采用SOFM算法对该音频信号进行子类分析，以精确地判断出是否存在森林盗窃行为。SOFM算法采用竞争学习规则对音频信号进行分析，输入层向量表示为X，其中X=(x1,…,xi,…,xn)表示该输入层向量X由n个输入层神经元组成且xj表示第i个输入层神经元，i和n均为正整数且1

[0062] 如图2所示，该判断是否存在森林盗窃行为的过程由以下步骤组成：

[0063] S1、微处理器从采集到的音频信号中提取n个音频性能参数；

[0064] S2、初始化SOFM算法的参数，将连接权向量集合W中各连接权向量均设置为数值区间[0,1]内的随机值，且将学习速率η(0)也设置为数值区间[0,1]内的随机值；

[0065] S3、将上述n个音频性能参数分别作为输入层神经元，构成SOFM算法中的输入层向量X=(x1,…,xi,…,xn)，设定竞争层向量A由m个竞争层神经元构成且表示为A=(a1,…,aj,…,am)，并且计算该输入层向量X与竞争层向量A之间的连接权向量集合W=（w11,…wij,…wnm），其中xi表示输入层向量X中的第i个输入层神经元（即第i个音频性能参数），aj表示竞争层向量A中第j个输入层神经元，且该连接权向量集合W由n×m个连接权向量构成，wij表示输入层向量X中第i个输入层神经元与竞争层向量A中第j个输入层神经元之间的连接权向量，1≤i≤n，1≤j≤m且i、j、n、m均为大于零的整数。

[0066] 在本发明的第一实施例中，微处理器从采集到的音频信号中提取5个音频性能参数：最高频率fmax、最低频率fmin、包络Ab、过零数Zn和波峰数Pn，并由该5个音频性能参数构成输入层向量X=（x1,x2,x3,x4,x5）=（fmax，fmin，Ab，Zn，Pn），竞争层向量A由3个竞争层神经元构成且表示为A=(a1,a2,a3)，并且计算该输入层向量X与竞争层向量A之间的连接权向量集合W=（w11,w12,w13,w21,w22,w23,w31,w32,w33,w41,w42,w43,w51,w52,w53），其中该连接权向量集合W由15个连接权向量构成。

[0067] S4、分别计算该输入层向量X中每一输入层神经元分别与连接权向量集合W中所有连接权向量的欧氏距离d，其中输入层向量X中第k个输入层神经元的欧氏距离表示为xk表示输入层向量X中第k个输入层神经元，wij表示连接权向量集合W中第i个输入层神经元与第j个竞争层神经元之间的连接权向量，1≤k≤n，
1≤i≤n，1≤j≤m且k、i、j、n和m均为大于零的整数；

[0068] 在本发明的第一实施例中，输入层向量X中第1个输入层神经元与连接权向量集合W中所有连接权向量的欧氏距离d1表示为d1=[(x1-w11)2+(x1-w12)2+(x1-w13)2+…+(x1-w51)2+(x1-w52)2+(x1-w53)2]1/2。

[0069] S4、分别将输入层向量X中每一输入层神经元的欧氏距离d与盗猎最小值d1进行比较：如果存在d

[0070] 针对森林盗林行为，该森林盗林行为的类型划分为砍伐行为、锯伐行为和其他行为，本发明采用SVM方法来识别森林盗林行为的类型，由以下步骤组成：

[0071] S01、建立用于区分砍伐行为的第一分类器，且该第一分类器表示为其中sign为符号函数，n表示步骤S1中音频信号的音
频性能参数的个数，αi表示拉格朗日函数，yi表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

[0072] {C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分：优选地，该风险控制系数C的最佳值为1009.32，则该αi=0.32；

[0073] 根据求取yi，其中m为该第一分类器输出结果的个数且等于3；

[0074] 该第一分类器选取RBF核函数（Radical Basis Function，径向基核函数），2
K(x,x')=exp(-γ||x-x'||)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其最佳值为0.43318，x表示输入向量，即从音频信号中提取的音频性能参数，x'表示x的映射函数；

[0075] 该第一分类器中修正系数b的取值范围为[0.001,0.090]，最佳值为0.017。

[0076] S02、建立用于区分锯伐行为的第二分类器，且该第二分类器表示为其中sign为符号函数，n表示步骤S1中音频信号的
音频性能参数的个数，表示拉格朗日函数，表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

[0077] {C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分：优选地，该风险控制系数C的最佳值为
1062.23661，则该αi=0.23661；

[0078] 根据求取yi，其中m为该第二分类器输出结果的个数且等于3；

[0079] 该第二分类器选取RBF核函数（Radical Basis Function，径向基核函数），K(x,x')=exp(-γ||x-x'||2)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其最佳值为0.52319，x表示输入向量，即从音频信号中提取的n个音频性能参数，x'表示x的映射函数；

[0080] 该第二分类器中修正系数b的取值范围为[0.001,0.090]，最佳值为0.021。

[0081] S03、将步骤S1中从音频信号中提取的n个音频性能参数作为输入向量X，输入第一分类器f1(x)中，如果f1(x)>0则表示该音频信号为砍伐行为，否则进一步将该输入向量X输入第二分类器f2(x)中，如果f2(x)>0则表示该音频信号为锯伐行为，否则为其他行为。

[0082] 针对森林盗猎行为，该森林盗猎行为的类型划分为枪击行为和其他行为，本发明采用SVM方法来识别森林盗猎行为的类型，由以下步骤组成：

[0083] S001、建立用于区分枪击行为的第三分类器，且该第三分类器表示为其中sign为符号函数，n表示步骤S1中音频信号的音
频性能参数的个数，αi表示拉格朗日函数，yi表示分类标记，K(x,x')表示核函数，b表示修正系数，αi∈[0，1]，1≤i≤n且i、n均整数；

[0084] {C}≥αi≥0，其中{}为取小数的符号，C为风险控制系数且取值范围为[900，1200]，αi取风险控制系数C的小数部分：优选地，该风险控制系数C的最佳值为1016.27，则该αi=0.27；

[0085] 根据求取yi，其中m为该第三分类器输出结果的个数且等于2；

[0086] 该第一分类器选取RBF核函数（Radical Basis Function，径向基核函数），2
K(x,x')=exp(-γ||x-x'||)，其中exp表示以自然对数e为底的指数函数，γ表示可调的控制半径且其最佳值为0.51612，x表示输入向量，即从音频信号中提取的音频性能参数，x'表示x的映射函数；

[0087] 该第三分类器中修正系数b的取值范围为[0.001,0.090]，最佳值为0.045；

[0088] S002、将步骤S1中从音频信号中提取的n个音频性能参数作为输入向量X，输入第三分类器f3(x)中，如果f3(x)>0则表示该音频信号为枪击行为，否则为其他行为。

[0089] 为了确定该森林盗窃行为的方位，微控制器还用于根据四元阵传感器时差算法模型计算该音频信号的声源方向角。四元阵传感器的模型如图3所示，该声音传感器S1和S3设置在X轴上，声音传感器S2和S4设置在Y轴上，设定M为声源的几何位置，M’为该声源M在XY平面上的投影，t12、t13、t14分别为声源M到S2、S3、S4相对于S1的时间差；L为传感器距离几何中心O点的距离。根据时差法及三角几何算法可以获得声源M在XY平台上的投影声源M’与X轴的声源方向角β：β=arctan[(t14-t12)/t13]。

[0090] 计算该音频信号的声源方向角的过程由以下步骤组成，如图4所示：

[0091] 步骤一：采集时间段T内的四路音频信号，在本发明的第一实施例中采集300ms内的四路音频信号；

[0092] 步骤二：计算声源M分别传输至四元阵传感器中四个声音传感器的时间T1、T2、T3和T4，并且以四个声音传感器中之一作为标准传感器，分别计算声源传输至该标准传感器与传输至其他三个声音传感器的时间差T12、T13和T14，其中T12=T1-T2，T13=T1-T3，T14=T1-T4，且T1、T2、T3、T4、T12、T13和T14均为大于零的任意数值；

[0093] 步骤三：根据四元阵传感器时差算法模型及三角几何算法，计算声源M在XY平台上的投影声源M’与X轴的声源方向角β：β=arctan[(T14-T12)/T13]；

[0094] 步骤四：循环执行步骤一至步骤三N次，获得N个声源方向角，在本发明的第一实施例中循环执行3次，获得3个声源方向角；

[0095] 步骤五：对该N个声源方向角求取平均值，由此获得该音频信号的声源方向角。

[0096] 根据上述声源方向角β计算公式：β=arctan[(t14-t12)/t13]可以看出，声源方向角的计算精度与声音传感器的布局有着密切的关系。由于声音在空气中传播的速度V(m/s)是气温T（℃）的一次函数，即：v=331+0.6T，即不同气候条件下声音在空气中传播速度与气温呈线性相关，气温越高则速度越快。如果设定该森林防盗探测装置的工作温度范围为T1～T2℃，其中T1、T2均为任意数值且T2>T1，则声音的最高传输速度为Vmax=331+0.6*T2，设定微处理器的处理指令时间为X，电路延迟及数据采样时间为Y，则要求在该声音最高传输速度Vmax下，传感器模型的时间差大于X+Y，由此可以计算出声音传感器与原点（即十字支架上十字交叉点）之间的最小距离为Lmin=（X+Y）*Vmax=（X+Y）*（331+0.6*T2），其中X、Y为大于零的任意数值。

[0097] 在本实用新型的第一实施例中，设定该森林防盗探测装置的工作温度范围要求工作在-40-80℃，则声音的最高传输速度为：Vmax=331+0.6*80=379(m/s)

[0098] 理想状态下高速微处理器的处理指令时间为1us，电路延迟及数据采样时间为4us，则要求在该声音最高传输速度Vmax下，传感器模型的时间差大于5us，由此可-6计算出声音传感器与原点的最小距离Lmin为：Lmin=5*379*10 =1.895mm；此外当高速微处理器处理指令时间与电路延迟及数据采样时间之和大于或者等于100us时将严重影响音频信号的计算精度，因此本实施例中声音传感器与原点的最大距离Lmax为：
-6
Lmax<100*379*10 =37.9mm。由此，在本实施例中该声音传感器与十字交叉点之间距离的取值范围为：1.895～37.8mm。

[0099] 优选地，设定高速微处理器处理指令时间与电路延迟及数据采样时间之和为50us，则该四元阵传感器中四个声音传感器与十字交叉点之间的距离为：L=18.95mm。

[0100] 通过上述对四元阵传感器的设计，不仅提高了音频信号所对应声源方向角的计算精度，而且减小了十字支架的体积，便于安装。

[0101] 本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

标题	发布/更新时间	阅读量
一种动态实时监测森林砍伐的方法及其系统-专利编号CN105788123B	2020-05-12	791
便携快速拍打及砍伐的多功能森林灭火手杖-专利编号CN101757750A	2020-05-13	479
能使世界范围二氧化碳排放和/或森林砍伐减少的方法和设备-专利编号CN1830093A	2020-05-16	345
一种动态实时监测森林砍伐的方法及其系统-专利编号CN105788123A	2020-05-11	183
森林盗窃行为识别方法-专利编号CN102664004B	2020-05-19	638
森林盗窃行为识别方法-专利编号CN102664004A	2020-05-20	704
一种便携快速拍打及砍伐的多功能森林灭火手杖-专利编号CN101637636A	2020-05-15	187
钢丝刷及制作方法-专利编号CN1337198A	2020-05-18	996
用于测定被砍伐的树木的区段的取向的方法和森林系统-专利编号CN109211221A	2020-05-14	412
一种便携微动力砍伐及拍打的森林灭火装置-专利编号CN201399169Y	2020-05-17	754

森林盗窃行为识别方法

森林盗窃行为识别方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式