基于卷积神经网络的反无人机系统声音识别方法

发布时间：2021-01-11 09:43

　　针对如何识别无人机的问题,提出了一种基于卷积神经网络的声音识别无人机的方法.首先,对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值,将其特征参数作为卷积神经网络学习和识别的数据集;然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验.实验结果表明,运用支持向量机识别无人机的准确率为91.9%,卷积神经网络识别无人机的准确率为96.5%.为了进一步验证设计的卷积神经网络的识别能力,在部分UrbanSound8K数据集上进行测试,准确率达到90%.实验结果表明运用卷积神经网络识别无人机具有可行性,且识别性能优于支持向量机. 

【文章来源】：工程科学学报. 2020,42(11)北大核心

【文章页数】：9 页

【参考文献】：
期刊论文
[1]TensorFlow Lite:端侧机器学习框架[J]. 李双峰.  计算机研究与发展. 2020(09)
[2]基于VMD的铣刀破损检测[J]. 王向阳,何岭松,王平江,高志强.  振动与冲击. 2020(16)
[3]基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断[J]. 耿琪深,王丰华,金霄.  电力自动化设备. 2020(08)
[4]基于主成分分析与支持向量机的热泵系统制冷剂泄漏识别研究[J]. 于仙毅,巫江虹,高云辉.  化工学报. 2020(07)
[5]零样本图像识别[J]. 兰红,方治屿.  电子与信息学报. 2020(05)
[6]基于支持向量机的飞行器多余物信号识别[J]. 孟偲,李阳刚,张国强,赵长兴.  北京航空航天大学学报. 2020(03)
[7]基于融合特征以及卷积神经网络的环境声音分类系统研究[J]. 张科,苏雨,王靖宇,王霰宇,张彦华.  西北工业大学学报. 2020(01)
[8]基于核主成分分析-SoftMax的高压断路器机械故障诊断技术研究[J]. 王昱皓,武建文,马速良,杨景刚,赵科.  电工技术学报. 2020(S1)
[9]基于伪随机线性调频的双序列跳频通信方法[J]. 全厚德,唐志强,孙慧贤,崔佩璋.  华中科技大学学报(自然科学版). 2019(11)
[10]用于图像分类的卷积神经网络中激活函数的设计[J]. 王红霞,周家奇,辜承昊,林泓.  浙江大学学报(工学版). 2019(07)



本文编号：2970543