1.一种基于BSE和GMM‑HMM的埋地排水管道声纹识别方法,其特征在于:所述方法的具体步骤如下:Step1、通过数据采集装置对简单工况和复杂工况下运行的埋地排水管道进行检测,获得不同工况下的低频声压信号数据;
Step2、分别对Step1中获得的不同工况下的低频声压信号数据进行小波阈值降噪,获得降噪后的低频声压信号数据;
Step3、采用子带谱熵作为判别参数,分别对Step2中获得降噪后的低频声压信号进行端点检测与信号分割;
Step4、分别对Step3中分割得到的低频声压信号提取精细复合多尺度散布熵,构建能表征堵塞物、三通件和管道尾端的特征向量集;
Step5、将Step4中简单工况下构建的特征向量集用于声纹模型的训练,得到GMM‑HMM模型;
Step6、将Step4中复杂工况下构建的特征向量集输入到Step5中的模型,得到每个模型给出的对数似然概率值,根据对数似然概率值的大小判定其所属的类别,从而可以区分堵塞物、管道配件三通件和管道尾端;
所述Step1中的简单工况为含管道内只含单个堵塞物或者单个三通件以及健康空管状态的埋地排水管道,复杂工况为管道内含两个及两个以上堵塞物或同时存在单个三通件的埋地排水管道;
所述Step3的具体过程为:首先对降噪后的信号进行加窗、分帧和傅里叶变换,然后计算每帧信号的子带谱熵,并利用子带谱熵作为判别参数进行端点检测;最后利用端点检测得到堵塞物,三通件和尾端声压信号起止点的具体帧数进行分割,得到堵塞物、三通件和尾端的个体声压信号;
所述Step4的具体实现过程为:将简单工况下分割得到的堵塞物、三通件和尾端的个体声压信号提取精细复合多尺度散布熵作为特征向量并构建特征向量集,用于Step5中模型的训练,将复杂工况下分割得到的堵塞物、三通件和尾端的个体声压信号提取精细复合多尺度散布熵作为特征向量并构建特征向量集,用于Step6中模型的测试;
所述Step5中得到的声纹模型包括堵塞的管道声纹识别模型、三通件的管道声纹识别模型、尾端的管道声纹识别模型,上述模型利用简单工况下含单个堵塞物、含单个三通件以及含单个尾端的低频声压信号经步骤Step2‑Step5训练得到。
2.根据权利要求1所述的一种基于BSE和GMM‑HMM的埋地排水管道声纹识别方法,其特征在于:所述Step1中的数据采集装置包括带有PC机、声卡、功率放大器,带有扬声器的伸缩杆、带有水听器的固定伸缩杆、滤波器;其具体实现过程为实验人员通过计算机控制声卡产生信号,经过功率放大器放大后通过带有扬声器的伸缩杆将信号释放到管道中,然后通过带有水听器的伸缩杆接收反射回来的信号,经滤波器去除不需要的背景和机械噪声,最后上传至计算机存储能获取信噪比较高的低频声压信号。