郭 磊，林嘯宇，王 勇，陳正武，常 偉*

(1.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 成都 611731；2.電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054；3.中國空氣動(dòng)力研究與發(fā)展中心 四川 綿陽 621010)

直升機(jī)在軍事突防中發(fā)揮著重要作用，因此關(guān)于直升機(jī)的探測(cè)和識(shí)別也成了一個(gè)重要的研究問題[1]。目前該領(lǐng)域已成功發(fā)展了紅外、雷達(dá)等多種先進(jìn)防空探測(cè)手段，但受地形、地面附近雜波等環(huán)境影響，雷達(dá)探測(cè)在低空仍存在盲區(qū)，無法有效探測(cè)到低空目標(biāo)[2]；紅外等光學(xué)探測(cè)設(shè)備受大氣環(huán)境和自然環(huán)境影響較大，無法針對(duì)低空目標(biāo)進(jìn)行全天候監(jiān)測(cè)[3]。因此，低空飛行目標(biāo)的檢測(cè)和識(shí)別成為目前探測(cè)技術(shù)發(fā)展的重點(diǎn)和難點(diǎn)。直升機(jī)飛行時(shí)輻射的旋翼聲信號(hào)作為飛行過程中的重要物理特征，具有傳播距離遠(yuǎn)、衰減速度慢等特性，基于旋翼噪聲信號(hào)進(jìn)行直升機(jī)檢測(cè)與識(shí)別的方法可行性高，具有重要研究價(jià)值。

目前，針對(duì)直升機(jī)聲目標(biāo)開展的研究主要?jiǎng)澐譃闄z測(cè)、識(shí)別兩個(gè)相對(duì)獨(dú)立的研究模塊。在音頻檢測(cè)方面的研究大多集中于傳統(tǒng)信號(hào)處理領(lǐng)域，如基于聲類比理論的FW-H 方法[4]、基于Kirchhoff 和CFD的混合法[5]等，這些方法需要對(duì)完整的音頻信號(hào)進(jìn)行時(shí)頻特性分析，在實(shí)際外場(chǎng)探測(cè)時(shí)的實(shí)時(shí)性難以保證；在直升機(jī)聲目標(biāo)識(shí)別方面，主要基于諧波特征提取、小波特征提取、人耳聽覺感知特征提取[6]等方法提取直升機(jī)聲信號(hào)的特征并利用KNN、SVM[7]等傳統(tǒng)分類器進(jìn)行聲目標(biāo)識(shí)別。隨著深度學(xué)習(xí)在聲音領(lǐng)域的發(fā)展，也有相關(guān)研究采用CNN、LSTM 等網(wǎng)絡(luò)模型以實(shí)現(xiàn)直升機(jī)聲目標(biāo)的深度特征提取和識(shí)別[7]。直升機(jī)聲目標(biāo)識(shí)別方法研究的數(shù)據(jù)是基于仿真或特定的實(shí)驗(yàn)環(huán)境，難以排除實(shí)際外場(chǎng)的噪聲干擾，導(dǎo)致了連續(xù)識(shí)別正確率低、魯棒性差的問題。并且在實(shí)際外場(chǎng)直升機(jī)目標(biāo)監(jiān)測(cè)時(shí)，需要將檢測(cè)和識(shí)別方法結(jié)合。

由此，本文提出一種在實(shí)際環(huán)境中對(duì)直升機(jī)旋翼聲信號(hào)進(jìn)行一體化檢測(cè)與識(shí)別的算法。該算法將聲目標(biāo)檢測(cè)與聲目標(biāo)識(shí)別兩個(gè)獨(dú)立的研究方向進(jìn)行一體化，檢測(cè)結(jié)果能夠?yàn)槁暷繕?biāo)識(shí)別剔除噪聲段，以增加聲目標(biāo)識(shí)別的精度和效率，而聲目標(biāo)識(shí)別的結(jié)果又可以作為聲探測(cè)結(jié)果的驗(yàn)證，進(jìn)一步提高檢測(cè)精度。通過外場(chǎng)實(shí)驗(yàn)采集的兩類直升機(jī)信號(hào)和開源的noise92 噪聲數(shù)據(jù)集構(gòu)建了實(shí)驗(yàn)數(shù)據(jù)，設(shè)計(jì)實(shí)驗(yàn)并驗(yàn)證了該算法的可行性。

1 理論研究

1.1 復(fù)雜環(huán)境中的直升機(jī)信號(hào)分析

實(shí)際的外場(chǎng)環(huán)境中，通?；殳B各種聲源產(chǎn)生的聲音信號(hào)，這些不同的聲源都會(huì)影響其檢測(cè)識(shí)別的效果。圖1 和圖2 分別是一段純凈直升機(jī)聲音信號(hào)的頻譜圖像和實(shí)際外場(chǎng)聲信號(hào)的頻譜圖像。對(duì)比兩圖可知：純凈的直升機(jī)具有較為明顯的諧波特性，在其頻譜圖像中很容易找到直升機(jī)的基頻和它的倍頻譜線。而復(fù)雜的外場(chǎng)環(huán)境中，受各個(gè)聲源信號(hào)的混疊、抵消等影響，外場(chǎng)信號(hào)的頻譜圖雜亂無章，難以直接對(duì)直升機(jī)信號(hào)進(jìn)行檢測(cè)和識(shí)別。因此需要考慮抑制這些雜音的干擾，進(jìn)而提升檢測(cè)和識(shí)別效果。

圖1 純凈直升機(jī)的頻譜圖像

圖2 復(fù)雜外場(chǎng)噪聲的頻譜圖像

1.2 聲目標(biāo)特征提取

外場(chǎng)采集的音頻信號(hào)中混雜著直升機(jī)旋翼聲信號(hào)及各種環(huán)境噪聲，通過聲目標(biāo)特征提取方法可有效放大直升機(jī)旋翼聲信號(hào)的某些特征，進(jìn)而達(dá)到雜音抑制和信號(hào)增強(qiáng)的效果。本文采用基于譜質(zhì)心、譜對(duì)比度及MFCC（mel frequency cepstrum coefficient）特征提取融合的特征提取方法。

譜質(zhì)心是在一定頻率范圍內(nèi)通過能量與頻率乘積的加權(quán)平均，它包含了聲音信號(hào)的頻率分布和能量分布的重要信息[8]。譜質(zhì)心的計(jì)算公式為：

式中，f為信號(hào)頻率；E(n)是連續(xù)的時(shí)域信號(hào)x(t)經(jīng)短時(shí)傅里葉變化后對(duì)應(yīng)頻率的譜能量。

譜對(duì)比度是音頻經(jīng)時(shí)頻變換形成的頻譜圖的像素對(duì)比度[9]。譜對(duì)比度的計(jì)算公式為：

式中，r(i,j)=|i-j|即相鄰像素間的灰度；p(i,j)為相鄰像素灰度差為r的像素分布概率。高對(duì)比度值通常對(duì)應(yīng)清晰的窄帶信號(hào)，而低對(duì)比度值則對(duì)應(yīng)寬帶噪聲。

MFCC 是語音識(shí)別領(lǐng)域最常用的語音特征[10]。MFCC 特征提取的流程如圖3 所示。輸入的原始數(shù)字信號(hào)經(jīng)預(yù)加重、分幀、加窗、FFT、Mel 濾波、DFT 等操作后，最終變?yōu)槟軌虮碚黝l域特征的特征向量，該向量作為分類器的輸入，進(jìn)行分類識(shí)別處理。

圖3 MFCC 特征提取流程

1.3 深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

在完成了直升機(jī)的聲目標(biāo)特征提取后，需要將提取的特征系數(shù)作為輸入，由分類模型進(jìn)行檢測(cè)和分類處理?？紤]到實(shí)際外場(chǎng)信號(hào)的復(fù)雜性，使用淺層分類器直接進(jìn)行分類識(shí)別的正確率較低，故本文使用基于深度學(xué)習(xí)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行深層特征提取和分類識(shí)別。搭建的深度神經(jīng)網(wǎng)絡(luò)模型如圖4 所示。網(wǎng)絡(luò)模型架構(gòu)由2 層卷積層、2 層池化層、2 層全連接層和1 個(gè)Softmax 分類器拼接組成。前4 層用于深度特征提取，最后2 層全連接層用于聚合特征，最后由Softmax 分類器進(jìn)行分類識(shí)別和輸出結(jié)果。

2 直升機(jī)聲目標(biāo)檢測(cè)與識(shí)別

2.1 算法流程

本文研究中，待測(cè)信號(hào)是一段長時(shí)間的音頻信號(hào)，且大部分時(shí)間段是環(huán)境噪聲，少部分時(shí)間段是直升機(jī)聲信號(hào)與環(huán)境噪聲的混疊。為了模擬實(shí)時(shí)采集的外場(chǎng)音頻，將待測(cè)信號(hào)進(jìn)行切片，獲得短時(shí)的音頻段，并判斷每個(gè)短時(shí)的音頻段中是否潛在直升機(jī)的音頻信號(hào)，如果含有直升機(jī)音頻信號(hào)，那么需要將該音頻段進(jìn)行后續(xù)識(shí)別處理?；谏鲜隽鞒?，提出如下檢測(cè)識(shí)別算法，如圖5 所示。

圖5 直升機(jī)聲目標(biāo)檢測(cè)識(shí)別整體流程

由圖5 所示，該算法流程在總體上可分為基于 融合特征的直升機(jī)聲目標(biāo)檢測(cè)和基于深度學(xué)習(xí)的潛在聲目標(biāo)識(shí)別兩個(gè)流程。目標(biāo)檢測(cè)部分通過切片、帶通濾波、特征提取和目標(biāo)檢測(cè)4 個(gè)階段，將原始的待測(cè)信號(hào)劃分為純?cè)肼暥魏椭鄙龣C(jī)目標(biāo)段。進(jìn)一步對(duì)直升機(jī)目標(biāo)進(jìn)行分類識(shí)別處理，通過維納濾波、特征提取和分類識(shí)別3 個(gè)階段，再進(jìn)行具體型號(hào)分類，從而實(shí)現(xiàn)完整的聲目標(biāo)檢測(cè)識(shí)別流程。目標(biāo)檢測(cè)部分能夠作為識(shí)別部分的前處理，初步剔除純?cè)肼暥我詼p少識(shí)別部分的噪聲干擾，提高識(shí)別效率和正確率；而識(shí)別部分對(duì)潛在目標(biāo)段進(jìn)行細(xì)分類，又能識(shí)別出檢測(cè)時(shí)誤判的音頻段，進(jìn)而提升檢測(cè)的正確率，實(shí)現(xiàn)聲目標(biāo)檢測(cè)和識(shí)別的一體化處理。

2.2 基于融合特征的直升機(jī)聲目標(biāo)檢測(cè)

基于融合特征的直升機(jī)聲目標(biāo)檢測(cè)流程如下。首先，將待測(cè)信號(hào)進(jìn)行切片，劃分為短時(shí)的音頻段。然后，鑒于直升機(jī)旋翼聲信號(hào)集中于0～500 Hz頻段[11]，將音頻段通過帶通濾波器進(jìn)行濾波處理，初步濾除目標(biāo)頻段以外的其他信號(hào)，達(dá)到抑制雜音的目的。再使用時(shí)頻變換方法，獲得該音頻段的梅爾頻譜圖，提取頻譜圖中的色度特征以及譜質(zhì)心特征[12]。由于檢測(cè)部分需要較高的實(shí)時(shí)性要求，因此本文采用了輕量化的分類器模型——SVM。首先通過純?cè)肼暥魏桶鄙龣C(jī)的環(huán)境噪聲兩類信號(hào)對(duì)SVM 進(jìn)行訓(xùn)練，一次完成檢測(cè)部分的二分類處理，用于作為檢測(cè)部分的分類器模型。最后，將提取的融合特征通過SVM 分類器進(jìn)行潛在目標(biāo)段和噪聲段的二分類，從而實(shí)現(xiàn)直升機(jī)聲目標(biāo)檢測(cè)。

檢測(cè)部分流程總結(jié)如下：

1）將原始信號(hào)進(jìn)行切片處理，劃分為1 s 時(shí)長的音頻段共n段；

2）對(duì)每一個(gè)切片的樣本做帶通濾波，得到0～500 Hz 的帶通濾波音頻；

3）將音頻樣本做MFCC 特征提取得到MFCC特征系數(shù)；

4）計(jì)算音頻樣本中每幀的頻譜質(zhì)心和譜對(duì)比度，并將二者與MFCC 特征系數(shù)疊加作為融合特征向量；

5）選取k個(gè)樣本的特征向量組成特征向量矩陣Mk作為訓(xùn)練支撐向量機(jī)的輸入矩陣；

6）使用另外n-k個(gè)樣本的特征向量組成的特征向量矩陣Mn-k對(duì)支撐向量機(jī)進(jìn)行測(cè)試；

7）將訓(xùn)練、測(cè)試后的SVM 應(yīng)用于實(shí)際信號(hào)檢測(cè)，并評(píng)估該方法的檢測(cè)率。

2.3 基于深度學(xué)習(xí)的潛在音頻段分類識(shí)別

對(duì)于直升機(jī)目標(biāo)段，需要通過相應(yīng)方法對(duì)其進(jìn)行識(shí)別，判斷其直升機(jī)型號(hào)。

由于檢測(cè)信號(hào)段中除了目標(biāo)直升機(jī)外，還存在其他噪聲的干擾（環(huán)境噪聲及其他聲源發(fā)出的雜音等），為了提高識(shí)別的正確率，首先采用維納濾波進(jìn)行信號(hào)增強(qiáng)。然后，通過MFCC 特征提取淺層特征，提取的特征系數(shù)作為分類器的輸入由網(wǎng)絡(luò)模型進(jìn)行深層特征提取和分類識(shí)別，最終得到直升機(jī)的具體型號(hào)。

本文使用深度學(xué)習(xí)的方法構(gòu)建網(wǎng)絡(luò)模型并進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試。在訓(xùn)練完成后將網(wǎng)絡(luò)模型凍結(jié)，用于后續(xù)實(shí)際分類識(shí)別使用。分類識(shí)別流程總結(jié)如下：

1）通過訓(xùn)練集對(duì)構(gòu)建的識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的網(wǎng)絡(luò)參數(shù)模型；

2）對(duì)于直升機(jī)目標(biāo)段，首先通過維納濾波進(jìn)行信號(hào)增強(qiáng)；

3）再將信號(hào)增強(qiáng)后的音頻段提取MFCC 特征系數(shù)，作為識(shí)別的特征向量；

4）將該特征向量輸入訓(xùn)練好的網(wǎng)絡(luò)，由其進(jìn)行深層特征提取和分類識(shí)別，最終得到識(shí)別結(jié)果。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 模擬信號(hào)實(shí)驗(yàn)與分析

由于缺少開源的實(shí)驗(yàn)數(shù)據(jù)，本文利用開源的noise92 噪聲數(shù)據(jù)集和實(shí)際外場(chǎng)實(shí)驗(yàn)采集的R22 和R44 兩類民用直升機(jī)的聲信號(hào)數(shù)據(jù)進(jìn)行人工合成，構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)和算法效果分析。

3.1.1 數(shù)據(jù)集介紹

Noise-92 噪聲數(shù)據(jù)集是由英國荷蘭感知-TNO研究所語音研究單位（SRU）在項(xiàng)目編號(hào)2589-SAM 下在現(xiàn)場(chǎng)測(cè)量的不同噪聲數(shù)據(jù)。所有文件的持續(xù)時(shí)間均為235 s，由采樣率為18.98 kHz，具有16 位的模數(shù)轉(zhuǎn)換器、抗混疊濾波器和不帶預(yù)加重級(jí)的采集設(shè)備來獲取的[13]。選用其中的8 類噪聲作為噪聲數(shù)據(jù)，分別是白噪聲、粉紅噪聲、室內(nèi)人聲、電焊設(shè)備工作聲、汽車生產(chǎn)車間噪聲、車輛行駛噪聲、沖擊噪聲及無線電波噪聲。由于用于測(cè)試的目標(biāo)信號(hào)為5 kHz，所以又對(duì)noise92 數(shù)據(jù)集進(jìn)行了5 kHz 的重采樣。

而目標(biāo)直升機(jī)數(shù)據(jù)，通過外場(chǎng)飛行實(shí)驗(yàn)，以5 kHz 的采樣率采集了R22 和R44 兩類直升機(jī)在直飛狀態(tài)下的數(shù)據(jù)。選取了其中信噪比較高的，距采集設(shè)備2 km 以內(nèi)的音頻段，切分作為兩類直升機(jī)目標(biāo)數(shù)據(jù)，圖6 和圖7 分別展示了一段噪聲信號(hào)和直升機(jī)聲信號(hào)的波形示例。

圖7 R22 直升機(jī)波形

3.1.2 模擬信號(hào)檢測(cè)與識(shí)別實(shí)驗(yàn)

將兩類直升機(jī)信號(hào)分割為1 s 長的音頻段，分別按照不同的時(shí)間戳隨機(jī)插入到8 類噪聲信號(hào)中并記錄各個(gè)目標(biāo)段的開始時(shí)間和結(jié)束時(shí)間，共兩類聲目標(biāo)信號(hào)，分別隨機(jī)插入各類環(huán)境噪聲中100 次，構(gòu)成1 600（2×8×100）段待測(cè)數(shù)據(jù)，每段數(shù)據(jù)中含有1 s 長的直升機(jī)聲目標(biāo)。為了模擬更為復(fù)雜的噪聲環(huán)境，在上述8 種噪聲中的兩種以上進(jìn)行隨機(jī)疊加，構(gòu)成復(fù)合的噪聲環(huán)境；再將兩類聲目標(biāo)信號(hào)插入復(fù)合噪聲并記錄起止時(shí)間，構(gòu)成200（2×100）段復(fù)合信號(hào)；單一噪聲和復(fù)合噪聲信號(hào)共計(jì)1 800 段。

然后使用訓(xùn)練好的SVM 模型，按照2.1 節(jié)中的檢測(cè)流程分別對(duì)1 800 段數(shù)據(jù)集進(jìn)行切片、濾波、特征提取和檢測(cè)，并將檢測(cè)到目標(biāo)的音頻時(shí)間戳與記錄的時(shí)間戳進(jìn)行對(duì)比，計(jì)算各種聲目標(biāo)環(huán)境下的檢測(cè)率（檢測(cè)率=檢測(cè)正確段數(shù)/總段數(shù)×100%），結(jié)果見表1。

表1 算法對(duì)9 類噪聲環(huán)境下的潛在目標(biāo)段檢測(cè)正確率統(tǒng)計(jì)表 %

由表1 可見，基于SVM 的待測(cè)目標(biāo)的平均檢測(cè)率為93.6%，其中該方法對(duì)白噪聲、粉紅噪聲、室內(nèi)人聲、電焊設(shè)備工作聲、沖擊噪聲及無線電波噪聲這6 類的檢測(cè)效果較好。而對(duì)于生產(chǎn)車間噪聲和車輛行駛噪聲這兩類的檢測(cè)效果相對(duì)較差，但仍在90%以上。對(duì)于由多種噪聲環(huán)境構(gòu)成的復(fù)合噪聲環(huán)境的檢測(cè)率為86%，相比單一的噪聲環(huán)境有了一定程度的下降，在后續(xù)的識(shí)別實(shí)驗(yàn)中可以重點(diǎn)考慮識(shí)別算法對(duì)復(fù)合噪聲環(huán)境誤判的目標(biāo)信號(hào)是否存在抑制作用。

對(duì)于用于分類識(shí)別的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，將R22 和R44 兩類直升機(jī)信號(hào)各提取100 段1 s 長的音頻段作為訓(xùn)練集，訓(xùn)練本文的神經(jīng)網(wǎng)絡(luò)模型。并且以同樣的方法訓(xùn)練SVM 和RNN 兩種分類器，從而對(duì)比本文算法的識(shí)別效果。

分類識(shí)別算法效果實(shí)驗(yàn)的數(shù)據(jù)集，按照上述記錄的時(shí)間戳將直升機(jī)目標(biāo)段分割出來，構(gòu)成1 800段，R22 和R44 在9 類環(huán)境中各100 段的分類識(shí)別測(cè)試集。使用3 種分類模型進(jìn)行分類，得到的識(shí)別效果如表2 所示。

表2 3 種算法對(duì)9 類噪聲環(huán)境中潛在目標(biāo)段的識(shí)別率統(tǒng)計(jì)表 %

由表2 可以得出，與其他兩種分類器模型對(duì)比，本文使用的神經(jīng)網(wǎng)絡(luò)模型在9 種不同的噪聲環(huán)境中都具有更高的識(shí)別率。為了驗(yàn)證該算法在其他數(shù)據(jù)集中是否具有較好的魯棒性，使用了英國BBC 提供的直升機(jī)數(shù)據(jù)與noise92 數(shù)據(jù)集進(jìn)行混合。原始數(shù)據(jù)是由BBC 提供的brant、bristo、fairey、sikors 和wessex 這5 種懸停的直升機(jī)演示視頻[14]，從中截取了音頻文件并劃分為一秒長的音頻段，按照上述的噪聲疊加方法疊加形成了9 種環(huán)境下的5 類直升機(jī)信號(hào)。然后，分別訓(xùn)練了SVM、LSTM和本文使用的CNN 網(wǎng)絡(luò)，并分別進(jìn)行測(cè)試，3 種 算法對(duì)該數(shù)據(jù)集的識(shí)別率如表3 所示。

表3 3 種分類器對(duì)9 類噪聲環(huán)境中直升機(jī)目標(biāo)的識(shí)別率統(tǒng)計(jì)表 %

由表可見，3 類網(wǎng)絡(luò)模型對(duì)5 類直升機(jī)的識(shí)別率都有所下降，不過本文算法仍舊保持最高的識(shí)別率，在一定程度上驗(yàn)證了本文算法的魯棒性。由于本次實(shí)驗(yàn)提供的直升機(jī)數(shù)據(jù)中沒有包含詳細(xì)的參數(shù)說明，因此無法準(zhǔn)確地獲取它的時(shí)頻特征信息，從而使信號(hào)增強(qiáng)和特征提取方法受到了影響，同時(shí)由于原始音頻數(shù)據(jù)是由視頻數(shù)據(jù)截取而來，造成了一定程度的失真，這兩個(gè)因素都對(duì)識(shí)別效果產(chǎn)生了較大的影響。

3.2 實(shí)際信號(hào)實(shí)驗(yàn)與分析

為了驗(yàn)證在實(shí)時(shí)系統(tǒng)中該算法的可行性，同樣對(duì)外場(chǎng)實(shí)驗(yàn)中采集的真實(shí)數(shù)據(jù)進(jìn)行了算法測(cè)試和分析。在某民用機(jī)場(chǎng)進(jìn)行了直升機(jī)外場(chǎng)飛行實(shí)驗(yàn)，得到了羅賓遜R44 和R22 兩類直升機(jī)的飛行音頻數(shù)據(jù)[15]。直升機(jī)聲目標(biāo)測(cè)量設(shè)備包括陣列架、傳聲器和采集器等。實(shí)驗(yàn)現(xiàn)場(chǎng)如圖8 所示。

圖8 直升機(jī)聲目標(biāo)探測(cè)實(shí)驗(yàn)現(xiàn)場(chǎng)

當(dāng)直升機(jī)離傳聲器較近時(shí)，信噪較高，而隨著直升機(jī)與傳聲器距離的變大，由于直升機(jī)聲信號(hào)在空氣中傳播時(shí)的衰減，信噪比逐漸降低。進(jìn)行外場(chǎng)飛行試驗(yàn)時(shí)，直升機(jī)先是從近距離出發(fā)，逐漸飛遠(yuǎn)，然后飛回。由于兩次飛行試驗(yàn)的飛行距離和飛行軌跡的區(qū)別，選取了兩次實(shí)驗(yàn)中直升機(jī)由6 km左右的距離飛向采集點(diǎn)、再飛離采集點(diǎn)直至6 km左右的兩條實(shí)驗(yàn)音頻數(shù)據(jù)。按照3.1 節(jié)中的算法步驟對(duì)完整的飛行事件進(jìn)行了檢測(cè)和識(shí)別處理。檢測(cè)和識(shí)別結(jié)果見圖9 與圖10。

圖9 R22 型直升機(jī)飛行試驗(yàn)檢測(cè)與識(shí)別率

圖10 R44 型直升機(jī)飛行試驗(yàn)檢測(cè)與識(shí)別率

由實(shí)驗(yàn)結(jié)果可見，總體上，直升機(jī)在測(cè)點(diǎn)附近時(shí)，由于信噪比較高，平均識(shí)別正確率總體相對(duì)較高。隨著目標(biāo)與測(cè)點(diǎn)的距離增大，信噪比變低，平均識(shí)別正確率隨之下降，直到無法有效識(shí)別。對(duì)于本文提出的算法而言，在5 km 左右的距離，檢測(cè)算法對(duì)兩次飛行試驗(yàn)的檢測(cè)率都基本能檢測(cè)出潛在目標(biāo)，而識(shí)別算法對(duì)于4 km 以內(nèi)的數(shù)據(jù)也具有較好的識(shí)別效果。

4 結(jié) 束 語

本文提出了一種實(shí)際環(huán)境中的直升機(jī)聲目標(biāo)的檢測(cè)與識(shí)別一體化算法。該算法首先通過SVM 對(duì)外場(chǎng)聲信號(hào)提取的融合特征進(jìn)行潛在聲目標(biāo)的檢測(cè)，再利用基于深度學(xué)習(xí)的分類模型對(duì)直升機(jī)聲目標(biāo)段進(jìn)行深層特征提取和分類識(shí)別。通過模擬生成的復(fù)雜環(huán)境數(shù)據(jù)集與真實(shí)外場(chǎng)飛行實(shí)驗(yàn)對(duì)算法效果進(jìn)行了實(shí)驗(yàn)分析，實(shí)驗(yàn)證明了算法檢測(cè)率達(dá)93.6%，識(shí)別率達(dá)93.9%。與現(xiàn)有方法相比，該方法明顯提升了對(duì)直升機(jī)完整飛行事件連續(xù)識(shí)別的魯棒性，同時(shí)提高了整體識(shí)別的正確率。