Page 18 - 201901

14
何，在直线飞行事件中目标与测点之间的距离与时
间成正比。因此该曲线能够在统计意义上展示直升
机飞行过程中声信号的连续识别性能。
以47个完整的直升机直线飞行事件为样本，统
计 CNN-1D+LSTM 和 SVM2 的平均识别正确率随
时间变化曲线。将直升机经过测点，信号短时能量
最大的时刻作为时间轴原点，绘制曲线如图 5 所示。
总体上，直升机在测点附近时，由于信噪比较好，平
均识别正确率总体相对较高。随着目标与测点之间
距离增大，信噪比变差，平均识别正确率随之下降，
直到无法有效探测。
100
90
80
ࣱکគѿ൤ᆸဋ/% 60
70
50
40
30
CNN-1D+LSTM
20
SVM2
10
0 1242–1252.
-40 -30 -20 -10 0
௑ᫎ/s
图 5 飞行事件的平均识别正确率随时间变化曲线
Fig. 5 Average accuracy rate in a target event
changing over time
直升机经过测点上方时，目标特征线谱不但由
于多普勒效应产生频移，并且往往被宽带气动噪声
所淹没，导致目标最接近测点时反而容易产生误判。
如 SVM2 在测点上方附近平均识别正确率有较大
波动。这就是前文所述传统分类方法对目标信号连
续识别的鲁棒性较差的问题。如图5所示，本文所提
方法有效改善了完整飞行事件中目标识别正确率
和正确识别的连续性，其性能明显优于SVM方法。
4 结论
本文提出了一种基于复合深度神经网络的直
升机声目标特征提取和分类识别框架，该框架使用
CNN 和 LSTM 两个并行的深度神经网络模块提取
一段时间内声信号频谱特征和频谱随时间变化特
征，弥补了传统声目标识别方法对信号时间历程信
息利用不足的缺陷。同时结合声信号处理方法，改
进了卷积神经网络卷积层与池化层的计算方式，以
2019 年 1 月
更好地适应声信号特征频率的变化。真实外场实验
数据测试结果表明，与传统方法相比，该方法明显提
升了对直升机完整飞行事件连续识别的鲁棒性，同
时提高了整体识别正确率。
参 考 文 献
[1] Nielsen R O. Acoustic detection of low flying aircraft[C].
IEEE International Conference on Technologies for Home-
land Security, 2009: 101–106.
[2] Sinelnikov Y, Sutin A, Sedunov A, et al. Automated
acoustic detection and classification of small aircraft[J].
The Journal of the Acoustical Society of America, 2013,
134(5): 4076.
[3] 李世智. 基于基频检测和谐波识别的直升机探测技术 [J]. 水
雷战与舰船防护, 2017, 25(2): 5–9.
Li Shizhi. Detection technology of helicopters based on
fundamental frequency detection and harmonious wave
recognition[J]. Mine Warfare & Ship Self-Defence, 2017,
25(2): 5–9.
[4] Elshafei M, Akhtar S, Ahmed M S. Parametric models
for helicopter identification using ANN[J]. IEEE Transac-
tions on Aerospace and Electronic Systems, 2000, 36(4):
10 20 30
[5] Chen Y, Xu X. The research of underwater target recog-
nition method based on deep learning[C]. IEEE Interna-
tional Conference on Signal Processing, Communications
and Computing, 2017: 1–5.
[6] Cao X, Zhang X, Yu Y, et al. Deep learning-based recog-
nition of underwater target[C]. IEEE International Con-
ference on Digital Signal Processing, 2016: 89–93.
[7] 张强, 王华明, 胡章伟. 直升机噪声信号的小波分析 [J]. 声学
学报, 2001, 26(5): 450–454.
Zhang Qiang, Wang Huaming, Hu Zhangwei. Analysis
for helicopter noise signal based on wavelet transform[J].
Acta Acustica, 2001, 26(5): 450–454.
[8] Tong J, Xie W, Hu Y H, et al. Estimation of low-altitude
moving target trajectory using single acoustic array[J].
The Journal of the Acoustical Society of America, 2016,
139(4): 1848–1858.
[9] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature,
2015, 521(7553): 436.
[10] Yu D, Li J. Recent progresses in deep learning based
acoustic models[J]. IEEE/CAA Journal of Automatica
Sinica, 2017, 4(3): 396–409.
[11] Zhang H, McLoughlin I, Song Y. Robust sound event
recognition using convolutional neural networks[C]. IEEE
International Conference on Acoustics, Speech and Signal
Processing, 2015: 559–563.
[12] Lecun Y, Bengio Y. Convolutional networks for images,
speech, and time series[M]//The handbook of brain the-
ory and neural networks. Cambridge: The MIT Press,
1998: 255–258.