1.基于超复数随机神经网络的城市噪声识别方法，其特征在于：该方法将城市噪声信号经过谱减法滤波器，然后提取其MFCC、LSP和PLP特征，再拼接成四元数增广向量，最后经过四元数极限学习机(Q-ELM)实现对噪声信号的分类识别。

2.根据权利要求1所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤1分别对十一种城市噪声信号进行谱减法滤波去噪，具体实现如下：

1-1、对信号x(m)进行系数取值范围为0.9～1.0的预加重处理、加汉明窗处理以及分帧处理，得到分帧后的信号xd(m)，其中m指声音信号的时域自变量，指第m个采样值，d是指第d帧；

1-2、将信号xd(m)进行傅里叶变换，得到信号xd(m)的频域信息Xd(n)，并求出信号xd(m)幅值的平方|Xd(n)|2作为该帧信号的能量，并记录相位；

1-3、将需要滤波的前导无声段作为噪声段，估算其帧数为NIS，然后根据帧数得到该段噪声的平均能量值D(n)：其中，|Xd(n)|2为每帧信号的能量，NIS为噪声段帧数；

1-4、根据谱减公式，对步骤1-1所得的信号Xd(n)进行谱减：其中， 为每帧滤波后的信号，a、b是两个常数，a取4，b取0.001；

1-5、将谱减后的每帧信号 使用重叠相加法合并，得到滤波信号 经快速傅里叶逆变换，得到需要的已经去噪的信号

3.根据权利要求1或2所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤2分别对预处理后的每种信号提取MFCC特征，具体实现如下：

2-1、将已经去噪的信号 分帧，得到信号为

2-2、对去噪的每帧信号进行快速傅里叶变换，得

2-3、计算每帧信号傅里叶变换后的谱能量

2-4、将每帧信号的谱能量与Mel滤波器组的频域响应相乘，得信号通过Mel滤波器后的能量

2-5、将步骤2-4得到的能量 进行离散余弦变换，并求其倒谱，得该帧信号的MFCC系数mfcc(d,dim)，dim为每帧MFCC提取到的维数，为12。

4.根据权利要求3所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤3分别对预处理后的每种信号提取LSP特征；

3-1、将已经去噪的信号 分帧，得到信号为

3-2、根据莱文逊-杜宾方法，对分帧后的信号 提取线性预测系数；

3-3、根据公式，求出LSP的对称和反对称的实系数多项式，即P(z)、Q(z)：P(z)＝A(z)+z-(p+1)A(z-1)Q(z)＝A(z)-z-(p+1)A(z-1)其中A(z)为线性预测逆滤波器的Z变换公式，z为声音信号的自变量m在复频域对应的自变量；

3-4、再根据公式：

其中，p为线性预测阶数，取12，ωr、θr则是与LSP系数对应的线谱频率，r＝1,2,3…p/2；

通过步骤3-4的公式将步骤3-3中与LSP参数无关的两个实根去掉，得到已去除实根的对称和反对称的实系数多项式P′(z)、Q′(z)；

3-5、最后求解步骤3-4中两式等于零时，cosωr、cosθr的解，即为LSP系数lsp(d,dim)。

5.根据权利要求4所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤4分别对预处理后的每种信号提取PLP特征；

4-1、根据步骤2-1到步骤2-3得到每帧信号的谱能量

4-2、对每帧信号的谱能量进行临界频带积分：

Z(f)＝6ln{f/600+[(f/600)2+1]0.5}其中，f为声音信号的采样频率， 为根据f求得的临界频带个数，Z(f)为声音信号的Bark频率，p(f(N))为每个临界频带最高点和最低点的加权系数， 为第 个临界频带最低点和最高点的频率， 为该临界频带中心， 为该临界频带中心对应的频率，nh(k)、nl(k)为第k个临界频带最高点和最低点， 为临界带宽听觉谱；

4-3、RASTA滤波的Z变换公式进行滤波： z为声音信号的自变量m在复频域对应的自变量；

4-4、进行等响度预加重：

f0为对应临界频带中心点的频率；

4-5、对等响度预加重后的信号求立方根，并进行逆傅立叶变换；

4-6、将傅里叶逆变换后得到的信号，根据莱文逊-杜宾方法提取线性预测系数，得到PLP系数plp(d,dim)。

6.根据权利要求5所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤5把从噪声信号中提取到的特征，定义成为一个声学四元数 定义如下：其中 为每种信号的每11帧，具体指 dim为特征维度。

7.根据权利要求6所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤6将每种信号的四元数特征扩展成为四元数增广向量形式：其中

其中，i2＝j2＝k2＝ijk＝-1，ij＝k,ji＝-k,ik＝j,ki＝-j,jk＝i,kj＝-i，q*称为q的共轭形式，qi、qj称为q的GHR算子，具体指qi＝iqi＝0+mfcci-lspj-plpkqj＝jqj＝0-mfcci+lspj-plpk。

8.根据权利要求7所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤7将每种信号特征的四元数增广向量作为输入，参考实值极限学习机，建立模型训练；

7-1、给出了一个训练集 其中 (y由

训练集的样本总种类决定，Q4dim、Qy则是指四元数域中，4dim、y维的向量，M是训练集的样本个数)以及具有激活函数h(qin；wp,bp)和L个隐藏节点的单隐层网络；

7-2、输入四元数增广向量qin，随机产生输入权重wp和偏差bp，p＝1,2,...,L；带入激活函数h(qin；wp,bp)，得到输出矩阵Hai，其解析解由具体激活函数决定；此处使用sigmiod函数，则公式为其中HRai、Hiai、Hjai、Hkai为Hai的实部分量和三个虚部分量；

7-3、将Hai分解得到HReai和HImai， 即HReai＝HRai+Hiaii、HImai＝Hjai+Hkaii，然后根据公式得到四元数矩阵算子Heai

7-4、根据权重矩阵 的公式得到 的四元数矩阵算子Te由T＝[t(1),t(2),...,t(M)]T参照步骤7-3求得Heai的方法得到；

7-5、最后根据

反推得到权重矩阵

9.根据权利要求7所述的基于超复数随机神经网络的城市噪声识别方法，其特征在于通过步骤8将需要分类的信号，通过步骤1-步骤6进行特征提取，将提取的特征输入步骤7所得分类器，可得到分类结果，识别出该信号所属的城市噪声种类。