[发明专利]一种基于融合特征模型的近地面目标声音信号智能识别方法

说明书

本发明公开了一种基于融合特征模型的近地面目标声音信号智能识别方法，包括以下步骤：声音信号采集与预处理；训练深度学习特征提取网络；融合特征提取；构建训练数据集，训练数据集包括若干组训练样本，每组训练样本的输入为融合特征值、输出为近地面目标识别分类标签；利用特征数据训练集基于支持向量机(SVM)分类器进行训练，得到SVM分类模型；声音信号采集与预处理；在国产嵌入式平台进行融合特征提取，利用SVM模型实时识别。该基于融合特征模型的近地面目标声音信号智能识别方法，既保证了针对近地面目标识别的精度，又具有隐蔽性、实用性，突破了利用声音信号基于传统声学的方法、光学方法的限制，具有军事价值。

技术领域

本发明属于近地面目标声音信号识别技术领域，具体涉及一种基于融合特征模型的近地面目标声音信号智能识别方法。

背景技术

近地面目标包含履带车、轮式车、无人机等军事目标，针对近地面目标进行及时预警，可以避免更多军事资源被入侵和占领，有重要的军事意义。目前针对近地面目标的识别方法主要包括光学方法或利用声音信号基于传统声学的方法。

然而光学方法主要利用无人机拍摄，存在不隐蔽的缺点，而且在复杂背景下(例如茂密的树林里)存在获取光学信息困难的缺点；而利用声音信号基于传统声学的方法存在精度不高，鲁棒性不足等缺点，因此近地面目标识别相对研究不足，可落地性较差。

发明内容

本发明的目的在于提供一种基于融合特征模型的近地面目标声音信号智能识别方法，以解决上述背景技术中提出的问题。

技术方案：一种基于融合特征模型的近地面目标声音信号智能识别方法，包括如下步骤：

步骤1、声音信号采集与预处理；

步骤2、训练深度学习特征提取网络；

步骤3、融合特征提取，融合特征包含深度特征、传统声音特征；

步骤4、构建训练数据集，训练数据集包括若干组训练样本，每组训练样本的输入为融合特征值、输出为近地面目标识别分类标签；

步骤5、利用特征数据训练集基于支持向量机(SVM)分类器进行训练，得到SVM分类模型；

步骤6、声音信号采集与预处理；

步骤7、在国产嵌入式平台进行融合特征提取，利用SVM模型实时识别。

在进一步的实施例中，所述步骤1的具体操作过程如下：通过微型机电系统(MEMS)麦克风，采集常见的近地面目标声音信号数据，常见的近地面目标包含履带车、轮式车、无人机，对数据进行预处理。

在进一步的实施例中，所述步骤2的具体操作过程如下：结合迁移学习、注意力机制，训练改良的用来特征提取的ResNeXt网络。

在进一步的实施例中，所述步骤3的具体操作过程如下：利用训练好的深度学习模型进行深度特征提取，传统声音特征提取包括对短时傅里叶变换(STFT)、梅尔频率倒谱系数(MFCC)、Mel频谱三种特征的提取。

在进一步的实施例中，所述步骤4的具体操作过程如下：训练数据集分类标签包含轮式车、履带车、无人机、背景声，共计4大类，小样本数据情况下，利用算法对训练集进行数据增广。

在进一步的实施例中，一般做法是，构建数据集，按80％和20％随机划分为相互独立的训练数据集和验证数据集，在利用训练数据集基于SVM分类模型进行训练的过程中，利用网格搜索、交叉验证的方法调整模型参数，主要调节的参数有：C、kernel、degree、gamma、coef0，直到训练的SVM分类模型在训练集上表现良好，利用训练数据集进行模型训练，利用验证数据集进行模型验证。

在进一步的实施例中，实时推理场景下，首先利用微型机电系统(MEMS)麦克风，采集声音信号数据，然后进行预处理。