基于稀疏非负矩阵分解的低空声目标识别

借鉴人耳听觉原理和特征学习的优势,提出了梅尔(Mel)频率谱提取和稀疏非负矩阵分解相结合的方法用于低空飞行目标声信号识别。首先,以不同目标的Mel频率谱为特征矩阵,利用稀疏非负矩阵分解方法学习得到各自的模板矩阵;然后,利用按列合并后的模板矩阵对训练/测试样本进行特征分解获得编码系数,该系数可作为分类特征;最后,结合不同目标的特点,采用分频段特征提取和顺序二类分类的方法进行多目标分类,并与Mel频率倒谱系数进行性能比较。结果显示,无论在单类目标辨识还是在多类目标分类中,稀疏非负矩阵分解方法均取得了更好的效果。

小波MFCC和HMM在低空声目标识别中的应用

低空目标声信号是时变的、非平稳的,若以传统的Mel倒谱系数(MFCC)作为特征参数,虽然能模拟人耳的听觉特性,但不能更好地反映低空声信号的动态特性。基于小波变换可以精确反映非平稳信号瞬间变化的特点,文中用小波变换替代MFCC参数提取过程中的FFT变换,将改进后的MFCC与能够很好表征时变信号特性的隐马尔可夫模型(HMM)结合,对低空目标声信号进行检测识别。最后用实际采集到的直升机声信号和非直升机声信号进行实验,取得了较好的识别效果。实验的对比结果验证了该方法的有效性和可行性。

基于深度学习的低空声目标识别

本文提出采用人耳听觉特征和深度神经网络(Deep Neural Network,DNN)相结合的方式对低空飞行目标进行分类。首先,以不同目标的梅尔频率谱(Mel-Frequency Cepstrum Coefficients,MFCC)和伽玛通功率谱(Gammatone Filterbank spectra,GF)为静态特征,并以它们的差分谱作为动态特征;其次,利用谐波处理技术获得具有谐波保护的上述静态特征和动态特征;最后,将上述特征进行组合,作为深度神经网络的输入参数进行网络训练,来进行不同低空声目标的鉴别。试验结果表明,基于深度学习的方法在低空飞行目标识别方面可以取得较好的识别效果。

基于深度学习和多通道融合的低空目标声识别方法

低空目标声识别主要指被动接收低空飞行目标辐射声信号,依据声纹信息对目标类型进行判别的技术方法.基于单个传声器通道的目标识别性能往往会受到传声器周边环境和传声器本身特性异常的影响,因此需要研究基于多通道融合的低空目标声识别方法。对此,采用卷积神经网络处理各通道声信号的Mel频率倒谱系数特征,获取目标识别概率,并利用基于证据距离的信息融合方法,计算最终的目标识别结果。实测数据验证结果表明,基于多通道融合的低空目标声识别方法相较于单通道具有更高的稳健性,对单通道异常情况不敏感,仍然具有较高的识别准确率。

基于矢量传感器的低空目标声测向算法及实验研究

将基于二维压差式矢量传感器的声压振速联合处理技术应用于低空目标无源测向的研究中,提出了一种新的无源声测向算法,该方法在小尺寸和低频条件下实现了对低空目标的精确测向。采用实测直升机辐射的噪声信号对算法进行了分析,研究了传感器尺寸、积分时间和信噪比对算法性能的影响。结果表明,矢量传感器尺寸为0.2 m,信噪比为0 dB时,测向误差小于2°,优于基于时延估计测向的方法。该研究为小基阵高精度的低空目标无源声测向提供了一种实现方法。

双平行线列阵的方位估计及声探测盲区分析

基于信号相位匹配原理,给出了利用由双平行线列阵组成的平面阵进行声源方位估计的奇异值分解算法(Singular Value Decomposition for Signal Phase Matching,SVDSPM),推导了空间谱搜索所需的时延计算公式;分析了双线阵间距对不同频率方位估计精度的影响,从而确定了双线阵的间距;分析了声源频率对方位估计精度的影响;给出了给定频率时方位估计精度与信噪比的关系并与MUSIC算法获得的结果进行了比较;给出了利用平面阵进行低空目标的声探测时存在的声探测盲区的描述方法,并分析了声源的频率、目标初始俯仰角、阵元数、阵型对声探测盲区的影响。仿真结果表明:(1)在低信噪比时SVDSPM算法的方位估计性能优于MUSIC算法;(2)声探测盲区的范围与声源的频率和目标初始俯仰角有关,而与阵元数、阵型无关。声探测盲区的分析和研究为立体阵的设计和方位估计提供了依据。