短波語(yǔ)音通話下的飛機(jī)類(lèi)型識(shí)別研究.pdf

1、短波語(yǔ)音通話下的飛機(jī)駕駛艙背景聲進(jìn)行飛機(jī)類(lèi)型的識(shí)別,是非合作目標(biāo)識(shí)別領(lǐng)域的一個(gè)新課題?，F(xiàn)有的飛機(jī)識(shí)別技術(shù),主要基于雷達(dá)和圖像進(jìn)行飛機(jī)識(shí)別,而兩者的不足之處在于作用距離近。但目前短波語(yǔ)音通話下的飛機(jī)識(shí)別主要途徑是由資深專(zhuān)業(yè)人員進(jìn)行傾聽(tīng)識(shí)別,關(guān)于這方面的研究,國(guó)內(nèi)外缺乏公開(kāi)的文獻(xiàn)報(bào)道。本文結(jié)合國(guó)家自然科學(xué)基金“基于短波語(yǔ)音通話的飛機(jī)類(lèi)型識(shí)別研究”,以飛機(jī)的短波語(yǔ)音通話為目標(biāo)信號(hào),進(jìn)行了飛機(jī)類(lèi)型辨識(shí)的相關(guān)系列研究工作。
　　首先,為區(qū)分

2、目標(biāo)信號(hào)的來(lái)源是地面目標(biāo)還是飛機(jī)目標(biāo),本文利用Welch算法,對(duì)地面信號(hào)/飛機(jī)信號(hào)進(jìn)行了目標(biāo)信號(hào)的辨識(shí),結(jié)果表明地面目標(biāo)與飛機(jī)目標(biāo)存在著很大的差異性,實(shí)現(xiàn)了目標(biāo)信號(hào)辨識(shí)。對(duì)飛機(jī)駕駛艙背景聲進(jìn)行特性分析,是飛機(jī)類(lèi)型識(shí)別工作中的首要任務(wù)。為分析飛機(jī)駕駛艙背景聲信號(hào)相關(guān)物理特性,提出集合均值和集合方差的分析方法,應(yīng)用在目標(biāo)信號(hào)的頻域以及倒譜上,對(duì)飛機(jī)駕駛艙背景聲信號(hào)進(jìn)行相關(guān)物理特性分析,結(jié)果表明不同飛機(jī)類(lèi)型的駕駛艙背景聲的譜峰特性差異明顯,為

3、語(yǔ)音抑制、特征提取以及類(lèi)型識(shí)別做了積極的鋪墊。
　　其次,在原始信號(hào)中包含有大段清晰的飛行員話音,此處語(yǔ)音相對(duì)于飛機(jī)背景聲成為了強(qiáng)干擾噪聲,因此需要去除。利用了基于譜熵的語(yǔ)音端點(diǎn)檢測(cè),對(duì)所檢測(cè)到的原始信號(hào)流中的語(yǔ)音段采用兩種方式對(duì)目標(biāo)信號(hào)進(jìn)行語(yǔ)音抑制。利用經(jīng)驗(yàn)?zāi)B(tài)分解與小波分析(EMD_WT)進(jìn)行語(yǔ)音抑制,但在其語(yǔ)音抑制的過(guò)程中引入了大量的過(guò)程噪聲,為后續(xù)的相關(guān)信號(hào)處理帶來(lái)了很大的隱患。于是提出利用全局經(jīng)驗(yàn)?zāi)B(tài)分解與小波包分解結(jié)合

4、(EEMD_WP)實(shí)現(xiàn)語(yǔ)音抑制。通過(guò)時(shí)域與頻域的對(duì)比,EEMD_WP較EMD_WT方式取得了較好的性能,對(duì)語(yǔ)音進(jìn)行了有效的抑制,增強(qiáng)了背景聲。
　　第三,特征提取是飛機(jī)類(lèi)型識(shí)別工作中的一個(gè)重要內(nèi)容。從聽(tīng)覺(jué)感知的角度對(duì)飛機(jī)駕駛艙背景聲進(jìn)行了特征提取的研究。依據(jù)MFCC提取流程,提出用基于聽(tīng)覺(jué)感知的Bark小波包提取特征,結(jié)合所分析的目標(biāo)信號(hào)的物理特性,利用對(duì)角切片的方式選取小波包結(jié)點(diǎn),得到了體現(xiàn)目標(biāo)信號(hào)物理特性的特征,并結(jié)合具有時(shí)變

5、特性的MFCC、PLP的Delta特征,為減少特征參數(shù)的高階冗余,經(jīng)過(guò)PCA降維和F比評(píng)價(jià)得到簡(jiǎn)潔的多角度的混合特征參數(shù),實(shí)驗(yàn)表明,它比單種特征有更好的分類(lèi)性能,實(shí)現(xiàn)對(duì)目標(biāo)信號(hào)進(jìn)行建模的目的,為飛機(jī)類(lèi)型識(shí)別作必要準(zhǔn)備。
　　最后,針對(duì)飛機(jī)的高斯混合模型(GMM)參數(shù)冗余的問(wèn)題,利用基于貝葉斯陰陽(yáng)(BYY)和諧學(xué)習(xí)理論的普通梯度算法進(jìn)行模型選擇,實(shí)現(xiàn)模型參數(shù)估計(jì)及階數(shù)的自動(dòng)選擇。而普通梯度學(xué)習(xí)算法往往會(huì)陷入和諧函數(shù)的局部極值而導(dǎo)致不