[发明专利]一种基于机器学习的反黑飞声探测方法

摘要

本发明提出一种基于机器学习的反黑飞声探测方法，采集包含无人机噪声信号以及不存在无人机的环境噪声信号的训练样本；之后对训练样本进行以下处理：对声音信号进行分帧，将若干个采样点作为一帧信号；计算每帧信号的短时平均能量、短时平均过零率、线性编码预测系数及其反射系数；并使用改进的梅尔频率倒谱系数方法计算每帧信号新的梅尔频率倒谱系数，最后将所有计算值组成一维特征向量；利用样本训练集，对多层感知机进行训练，获得最优模型；在获得新的声音信号后，采用与上面相同的处理方式得到特征向量，利用特征向量输入最优模型进行分类识别，得到识别结果。本发明经过测试样本测试，在距离为150米的条件下，测试准确率F1值要比现有技术高7％。

主权项

1.一种基于机器学习的反黑飞声探测方法，其特征在于：包括以下步骤：步骤1：分别采集无人机噪声信号以及没有无人机存在的环境声音信号作为声音样本信号；对每个声音样本信号采用以下步骤进行处理：步骤1.1：对每个声音样本信号进行分帧加窗处理；步骤1.2：对每一帧声音信号，分别计算短时平均能量E(i)、短时平均过零率Z(i)、线性编码预测系数a(i)以及反射系数k(i)；i表示第i帧声音信号；步骤1.3：采用以下过程计算每一帧声音信号的梅尔频率倒谱系数，其中第i帧声音信号的梅尔频率倒谱系数记为mfcc(i)：步骤1.3.1：对第i帧信号进行傅里叶变换：Xi(f)＝FFT[yi]其中yi表示第i帧声音信号，Xi(f)傅里叶变换后的信号，Xi(f)中包括J个频点，fj为第i帧信号中的第j个实际频率，j＝1，2，…，J；步骤1.3.2：计算第i帧信号中第j个实际频率的线谱能量Eni(fj)：Eni(fj)＝|Xi(fj)|2步骤1.3.3：计算第i帧信号中每个实际频率对应的梅尔频率：fj表示第i帧信号中的第j个实际频率，Fnew,j表示第i帧信号中第j个实际频率的梅尔频率；步骤1.3.4：计算每个梅尔频率滤波器对第i帧信号中每个实际频率的频率响应函数，其中第m个梅尔频率滤波器针对第i帧信号中第j个实际频率的频率响应函数为Hm(fj)：M表示梅尔频率滤波器的个数，f(m)表示第m个滤波器的中心频率：步骤1.3.5：计算第i帧信号通过梅尔频率滤波器组的能量步骤1.3.6：计算梅尔频率倒谱系数，其中第i帧的梅尔频率倒谱系数mfcc(i)的第k个系数为步骤1.4：将第i帧信号的E(i),Z(i),a(i),k(i),mfcc(i)组合成为一维特征向量作为第i帧信号的特征向量；步骤1.5：重复步骤1.2～步骤1.4，得到声音样本信号中每一帧声音信号的特征向量；步骤2：对于每个声音样本信号，根据该声音样本信号中是否存在无人机信号，给其中每一帧声音信号的特征向量加上对应标签，从而构建训练样本集；步骤3：利用步骤2得到的训练样本集对多层感知机进行训练，得到最优模型；步骤4：采集一段新的声音信号，并根据步骤1.1～步骤1.5的处理方法得到新的声音信号中每一帧信号的特征向量，将每一帧信号的特征向量输入最优模型，输出判断是否存在无人机的结果。