CN114114274A - 一种基于类脑听觉模型的无人机识别方法 - Google Patents

Abstract

本发明公开了一种基于类脑听觉模型的无人机识别方法，属于认知自动控制技术领域。一种基于类脑听觉模型的无人机识别方法，模拟人脑的听觉神经系统的编码机制、特征捆绑机制和选择注意机制建立无人机声音识别模型，达到人脑在复杂场景、低信噪比环境下可以分辨出目标声音的效果，并且判断出无人机的种类，能够很好的胜任于复杂环境下、飞行高度较低、飞行速度较慢、雷达散射面积小的无人机探测，具有类似人脑听觉神经系统的准确率高、虚警率低、功耗低的优点。

Description

一种基于类脑听觉模型的无人机识别方法

技术领域

本发明涉及认知自动控制技术领域，具体为一种基于类脑听觉模型的无人机识别方法。

背景技术

在复杂听觉场景下选择性地编码、加工和处理其关注的目标声音是人脑的一种基本能力，听觉神经系统可以在复杂的、低信噪比的混杂声音中鲁棒的对其关注的声音进行识别。听觉系统包括耳蜗、听觉神经元、听觉皮层、顶叶、丘脑、额叶、扣带回和基底神经节等相关脑区。听觉过程具体为耳蜗接收声音，听觉神经元对耳蜗接收到的声音进行编码，听觉皮层及相关脑区对编码后的特征信息分别进行分类，并通过听觉捆绑效应将不同特征的分类结果整合到一起，最终得到识别结果。

随着近些年无人机技术的发展，越来越多的无人机广泛应用于侦察、勘探、救援、消防和航拍等领域，尽管大多数无人机用于娱乐领域，但也有人将其用于非法活动，而由于其飞行高度较低、飞行速度较慢、雷达散射面积小等特点，现有的雷达探测、光电探测、电磁探测等方法在复杂环境下由于天气和物体遮挡等原因不能很好的探测出无人机。为了解决该问题，我们提出了一种基于类脑听觉模型的无人机识别方法，通过模拟人脑的听觉神经系统建立模型，从复杂的环境声音中识别出是否存在无人机的声音，并判断出无人机的种类，能够更好的实现复杂环境下、飞行高度较低、飞行速度较慢、雷达散射面积小的无人机探测工作。

发明内容

1、本发明要解决的技术问题

本发明的目的在于提供一种能够通过模拟人脑的听觉神经系统建立模型，从复杂的环境声音中识别出是否存在无人机的声音，并判断出无人机的种类的无人机识别方法。

2、技术方案

为实现上述目的，本发明提供如下技术方案：

一种基于类脑听觉模型的无人机识别方法，包括以下步骤：

S1、利用若干个声音传感器组成双层阵列结构的声传感阵列，用以实时收集周围的复杂环境声音；

S2、利用所述S1中提到的声传感阵列来模拟人耳的耳蜗，同时利用时域编码、频域编码和群体编码来构建声音信息编码模块，对采集到的声音进行带通滤波，截取20～2000Hz的频带信号，并对其进行信噪比增强处理；

S3、将S2中滤波后的时域信号的幅值作为时域信息，将该时域信号进行快速傅里叶变换得到频域信号；

S4、将S3所得的频域信号分为20～500Hz、500～1000Hz、1000～1500Hz和1500～2000Hz四个频段；

S5、利用5个正则化线性判别分类器和模拟注意力机制的加权决策层构建特征分类模块；

S6、使用所述特征分类模块中的正则化线性判别分类器对S3中得到的时域信号幅值和S4中得到的四个频段的频域信号进行分类，得到5个分类结果；

S7、使用所述特征分类模块中的模拟注意力机制的加权决策层对S5中得到的5个分类结果进行决策，得到最终的识别结果。

优选地，所述S1中提到的声传感阵列周围还布置有声学探测主机和显示控制主机，所述声传感阵列、声学探测主机和显示控制主机三者共同组成声音采集模块；所述声探测阵列部署于前端，完成目标声信号的拾取；所述声学探测主机完成对目标声信号的处理和探测信息的生成；所述显示控制主机完成设备状态监控、探测信息获取、目标识别结果显示的功能。

优选地，所述S2中提到的信噪比增强处理具体为采用共平均参考和基线修正的方法减少噪音，提高信噪比。

优选地，所述S6中提到的5个分类结果，具体为：

A1、将所述S3中的滤波后的时域信号的幅值作为时域信息输出给第一个分类器；

A2、将所述S4中四个频段的频域信号分别输出给第二、三、四、五个分类器。

优选地，所述S7中提到的加权决策层在进行决策时，使用先验知识提高无人机声音信号所处频带的分类器权值，提高对无人机声音的识别准确率。

3、有益效果

本发明模拟人脑的听觉神经系统建立模型，从而在复杂的、低信噪比的声音中识别是否存在无人机的声音，并且判断出无人机的种类，能够很好的胜任于复杂环境下、飞行高度较低、飞行速度较慢、雷达散射面积小的无人机探测，具有类似人脑听觉神经系统的准确率高、虚警率低、功耗低的优点。

附图说明

图1为本发明提出的一种基于类脑听觉模型的无人机识别方法的声音传感器的双层阵列结构示意图；

图2为本发明提出的一种基于类脑听觉模型的无人机识别方法的方法流程示意图。

具体实施方式

本发明所描述的一种基于类脑听觉模型的无人机识别方法适用于重要建筑或设施周围的安全警戒工作，识别准确率高、功耗低，可以适应复杂的环境，弥补了雷达探测、光电探测、电磁探测等方法在遮挡物较多的复杂环境下识别效果差的缺点，可以与上述方法共同使用提高安全等级。

本发明的基本原理是模拟人脑的听觉神经系统的编码机制、特征捆绑机制和选择注意机制建立无人机声音识别模型，达到人脑在复杂场景、低信噪比环境下可以分辨出目标声音的效果。

下面结合附图和具体实施例对本发明提供的一种基于类脑听觉模型的无人机识别方法进行详细描述。

同时，在这里做以说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施；而且附图部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。

本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。

实施例1：

请参阅图1-2，一种基于类脑听觉模型的无人机识别方法，包括以下步骤：

S1、利用若干个声音传感器组成双层阵列结构的声传感阵列，用以实时收集周围的复杂环境声音；

该阵列分为如图1所示的上下两层，此结构的优势在于可以有效地收集来自各个方位的声音信息，增强信噪比；

S1中提到的声传感阵列周围还布置有声学探测主机和显示控制主机，所述声传感阵列、声学探测主机和显示控制主机三者共同组成声音采集模块；所述声探测阵列部署于前端，完成目标声信号的拾取；所述声学探测主机完成对目标声信号的处理和探测信息的生成；所述显示控制主机完成设备状态监控、探测信息获取、目标识别结果显示的功能；

S2、利用所述S1中提到的声传感阵列来模拟人耳的耳蜗，同时利用时域编码、频域编码和群体编码来构建声音信息编码模块，对采集到的声音进行带通滤波，截取20～2000Hz的频带信号，并对其进行信噪比增强处理；

S2中提到的信噪比增强处理具体为采用共平均参考和基线修正的方法减少噪音，提高信噪比；

S3、将S2中滤波后的时域信号的幅值作为时域信息，将该时域信号进行快速傅里叶变换得到频域信号；

S4、将S3所得的频域信号分为20～500Hz、500～1000Hz、1000～1500Hz和1500～2000Hz四个频段；

S5、利用5个正则化线性判别分类器和模拟注意力机制的加权决策层构建特征分类模块；

S6、使用所述特征分类模块中的正则化线性判别分类器对S3中得到的时域信号幅值和S4中得到的四个频段的频域信号进行分类，得到5个分类结果；

S6中提到的5个分类结果，具体为：

A1、将所述S3中的滤波后的时域信号的幅值作为时域信息输出给第一个分类器；

A2、将所述S4中四个频段的频域信号分别输出给第二、三、四、五个分类器

S7、使用所述特征分类模块中的模拟注意力机制的加权决策层对S5中得到的5个分类结果进行决策，得到最终的识别结果；

所述S7中提到的加权决策层在进行决策时，使用先验知识提高无人机声音信号所处频带的分类器权值，提高对无人机声音的识别准确率。

本发明模拟人脑的听觉神经系统建立模型，从而在复杂的、低信噪比的声音中识别是否存在无人机的声音，并且判断出无人机的种类，能够很好的胜任于复杂环境下、飞行高度较低、飞行速度较慢、雷达散射面积小的无人机探测，具有类似人脑听觉神经系统的准确率高、虚警率低、功耗低的优点。

实施例2：

请参阅图1-2，基于实施例1但有所不同之处在于，

一种基于类脑听觉模型的无人机识别方法，参考图1，该方法包括模拟耳蜗的声音采集模块，模拟听觉神经元的声音信息编码模块和模拟听觉皮层及相关脑区的特征分类模块。

其中，步骤1具体如下：

包含16个声音传感器的声音传感器阵列采集到16个通道的声音信号，采样频率为4096Hz。

其中，步骤2具体如下：

1)带通滤波

无人机的声音主要由两部分组成，一种是无人机的旋翼旋转过程中切割空气以及与空气摩擦产生的空气声音，另一种是无人机的电机以及与其相连机械结构发生转动时产生的机械声音，机械声音主要分布在高频，在传播过程中快速衰减难以测量，所以这里主要测量低频的空气声音部分。对声音传感器阵列采集到的声音信号进行带通滤波，取20～2000Hz频带的声音信号。

2)基线修正及共平均参考

声音传感器阵列采集到的16个通道的声音信号经过滤波后还存在着采集设备产生的共同存在的噪音，所以需要对其再进行预处理，预处理方法为基线修正和共平均参考。使用基线修正对数据进行预处理的具体方法为首先选取每个信号通道前十分之一的数据求均值：

式中，

表示第k个通道的前十分之一数据的平均值，N为该段数据的采样点数，x_k,j表示第k个通道的第j个采样点。之后，每个通道减去式中求得的平均值，得到进行基线修正得数据：

共平均参考即为每个信号通道减去所有通道的平均值，具体方法为首先求每个通道的平均值：

式中，

表示第N个采样点的数据的平均值，N为采样点的序数，x_N,j表示第j个通道的第N个采样点。之后，每个通道减去式中求得的平均值，得到进行基线修正的数据：

其中，步骤3具体如下：

取16个通道的时域信号做快速傅里叶变换得到频域信号，之后将得到的频域信号分为20～500Hz，500～1000Hz，1000～1500Hz，1500～2000Hz四个频段

其中，步骤4具体如下：

使用五个线性的正则分类器对时域信号和四个频段的频域信号分别进行分类。正则化线性判别分析的方法(RLDA)可以表达为

y＝w^Tx

式中，x表示一个样本，w^T表示投影矩阵w的转置，y是输出结果，最佳投影方向w的计算公式为：

式中，e₁和e₂分别表示包含无人机声音的训练样本和不包含无人机声音的环境声音的训练样本的平均值，

则表示总类内离散度矩阵的逆矩阵，在正则化线性判别分析(RLDA)中还需要将D_w正则化，计算公式如下：

D′_w＝(1-λ)D_w+λvI

式中，λ表示修正系数，且λ∈[0,1]，I表示与D_w纬度相等的单位矩阵，trace()表示矩阵的迹，d表示类内离散度矩阵D_w的维度，v的含义则是类内离散度矩阵D_w的特征值的平均值。阈值Tr被设置以判别输出y。如果y>Tr，则判别结果R＝1，即检测到无人机出现。否则R＝-1，即未检测到。

之后对五个分类器得到的检测结果进行决策，计算公式为：

其中，n表示分类器的数量，这里n＝5，w_k表示决策的权值，R_k表示第k个分类器的分类结果。利用先验知识可以增大无人机频率集中的频段的权值w_k从而提高分类的准确率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种基于类脑听觉模型的无人机识别方法，其特征在于，包括以下步骤：

S1、利用若干个声音传感器组成双层阵列结构的声传感阵列，用以实时收集周围的复杂环境声音；

S2、利用所述S1中提到的声传感阵列来模拟人耳的耳蜗，同时利用时域编码、频域编码和群体编码来构建声音信息编码模块，对采集到的声音进行带通滤波，截取20～2000Hz的频带信号，并对其进行信噪比增强处理；

S3、将S2中滤波后的时域信号的幅值作为时域信息，将该时域信号进行快速傅里叶变换得到频域信号；

S4、将S3所得的频域信号分为20～500Hz、500～1000Hz、1000～1500Hz和1500～2000Hz四个频段；

S5、利用5个正则化线性判别分类器和模拟注意力机制的加权决策层构建特征分类模块；

S6、使用所述特征分类模块中的正则化线性判别分类器对S3中得到的时域信号幅值和S4中得到的四个频段的频域信号进行分类，得到5个分类结果；

S7、使用所述特征分类模块中的模拟注意力机制的加权决策层对S5中得到的5个分类结果进行决策，得到最终的识别结果。

2.根据权利要求1所述的一种基于类脑听觉模型的无人机识别方法，其特征在于，所述S1中提到的声传感阵列周围还布置有声学探测主机和显示控制主机，所述声传感阵列、声学探测主机和显示控制主机三者共同组成声音采集模块；所述声探测阵列部署于前端，完成目标声信号的拾取；所述声学探测主机完成对目标声信号的处理和探测信息的生成；所述显示控制主机完成设备状态监控、探测信息获取、目标识别结果显示的功能。

3.根据权利要求1所述的一种基于类脑听觉模型的无人机识别方法，其特征在于，所述S2中提到的信噪比增强处理具体为采用共平均参考和基线修正的方法减少噪音，提高信噪比。

4.根据权利要求1所述的一种基于类脑听觉模型的无人机识别方法，其特征在于，所述S6中提到的5个分类结果，具体为：

A1、将所述S3中的滤波后的时域信号的幅值作为时域信息输出给第一个分类器；

A2、将所述S4中四个频段的频域信号分别输出给第二、三、四、五个分类器。

5.根据权利要求1所述的一种基于类脑听觉模型的无人机识别方法，其特征在于，所述S7中提到的加权决策层在进行决策时，使用先验知识提高无人机声音信号所处频带的分类器权值，提高对无人机声音的的识别准确率。

Images