非合作通信环境下飞机声信号类型识别的方法研究

发布时间：2022-01-01 18:00

　　目前,对于截取的飞机短波无线电通信音频,若要识别其飞机的类型,该工作主要是通过人工侦听来识别声音信号中不同的飞机发动机声音的不同、以此来推断飞机的类型来完成的。但是这种通过人工监听进行识别的方法在实际应用中存在着很大的困难,一是能截取的声音信号非常短;二是所截取到的飞机舱内的声音信号中混杂着各种类型的噪声,识别难度大。基于以上两点,传统的人工监听方法对于飞机类型的识别往往存在很大的误差,也容易对侦听人员造成身体心理上的双重伤害,因此,研究对飞机舱音、驾驶员通话背景音的识别,具有非常重要的现实意义。本文根据合作方对飞机类型正确识别率达到85%以上的要求,研究了非合作语音通信环境下飞机类型的识别,通过小波包分解、高阶累计量优化小波包分解、LPCC以及MFCC特征提取算法提取特征值,将提取的特征向量经过BP神经网络、SVM分类器进行分类识别。这些识别方法需要人为的选择其内部的函数,对特征的选择也有一定的条件,这需要大量的经验来支撑。为了解决这类问题,本文同时将无监督学习算法自编码器首次应用于对截取的飞机舱内的背景音的识别,不需要人工筛选特征参数就可以自主学习信号特征,将飞机类型成功分类。本文... 

【文章来源】：哈尔滨工程大学黑龙江省 211工程院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

8 种声信号进行小波包分解后的原始信号与重构信号

LPCC特征提取折线图

横坐标为 8 种不同类别的飞机，纵坐标为分类的准确率。从左P 神经网络分类器在小波包分解、高阶累计量优化小波包分解下 10 次重复实验的准确率折线图。由于实验数据为实际的语大，从表 4.6 的折线图对比中可以看出，虽然 4 类特征提取准就多次分类结果来说，MFCC 算法所提取的特征值经过分类

【参考文献】：
期刊论文
[1]基于Shannon熵的自适应小波包阈值函数去噪算法研究[J]. 周建,向北平,倪磊,艾攀华.  振动与冲击. 2018(16)
[2]基于高分辨距离像目标识别方法[J]. 张馨元.  中国科技信息. 2018(06)
[3]基于遗传算法的BP神经网络在水利定额编制中的应用[J]. 金修鹏,李春生.  水电能源科学. 2018(02)
[4]飞机驾驶舱噪声环境下的飞行员语音端点检测[J]. 诸心阳,黄丹,陆燕玉,傅山.  计算机工程. 2018(01)
[5]军用运输机机舱有源消声实验系统的设计与实现[J]. 孔庆福,钱超,訾一诺.  计算机测量与控制. 2017(12)
[6]基于语音频谱融合特征的手机来源识别[J]. 裴安山,王让定,严迪群.  计算机应用. 2018(03)
[7]基于深度卷积神经网络的飞机识别研究[J]. 唐小佩,杨小冈,刘云峰,任世杰.  电光与控制. 2018(05)
[8]基于稀疏降噪自编码器的深度置信网络[J]. 曾安,张艺楠,潘丹,Xiao-Wei Song.  计算机应用. 2017(09)
[9]人工影响天气作业飞机中语音增强算法的研究[J]. 王山海,马鑫鑫,刘谦,杨敏.  计算机测量与控制. 2017(04)
[10]一种基于BP神经网络的属性重要性计算方法[J]. 潘庆先,董红斌,韩启龙,王莹洁,丁蕊.  中国科学技术大学学报. 2017(01)

硕士论文
[1]基于稀疏自动编码器和边缘降噪自动编码器的深度学习算法研究[D]. 邓俊锋.武汉科技大学 2016
[2]基于全噪声自动编码器的深度神经网络优化算法[D]. 夏林.武汉科技大学 2016
[3]基于特征提取的通信信号识别研究[D]. 张文启.兰州理工大学 2016
[4]深度学习中的自编码器的表达能力研究[D]. 王雅思.哈尔滨工业大学 2014
[5]基于深度学习的语音识别研究[D]. 梁静.北京邮电大学 2014
[6]短波语音通信环境下飞机类型识别[D]. 李萍.哈尔滨工程大学 2012
[7]面向短波语音通信的飞机类型识别[D]. 刘峰.哈尔滨工程大学 2009
[8]高阶统计量在水雷目标特征提取中的应用[D]. 张晓云.哈尔滨工程大学 2008



本文编号：3562552