CN119400200A 一种基于声音识别的无人机类型判断方法 （中国空气动力研究与发展中心低速空气动力研究所）

本发明涉及一种基于声音识别的无人机类进行MFCC特征提取得到作为输入特征的第二音频信号特征和GFCC特征提取得到第三音频信号特征。在空间维度上对输入特征进行自适应融合，且在通道维度上对输入特征进行自适应调征增强使得显著提升了全局信息处理能力和特2分别进行MFCC特征提取得到第二音频信号特征和GFCC特征提取将所述第二音频信号特征和第三音频信号特征作为无人机类型识对所述第二音频信号特征进行7×7卷积处理得到第一特征图，对在空间维度上对所述第三特征图的特征进行自适应融合在通道维度上对所述第六特征图的特征进行自适应调整对所述第七特征图进行特征增强处理得到第其中，所述的在空间维度上对所述第三特征图的特征进行自适应融合得到第六特征对所述第三特征图进行第一多尺度特征提取得到多尺度基于第三特征图和多尺度的特征图进行自校正，并基于自校正结将第一融合权重与第一特征图相乘得到第四特征图，将第二融合权重与将所述第四特征图和第五特征图进行特征融合得到对第三特征图进行平均池化后，再将平均池化后的特征图通过上,对第三特征图进行3×3卷积处理后，再进行归一化操作，得到与第一3对第三特征图、第一多尺度特征图和第二多尺度特征图做自校正运算得到自校正结将自校正结果依次经过卷积处理和激活函数处理后得到,表示第一多尺度特征图，"表示第二多尺度特征图；,所述的将总融合权重映射到融合权重维度，计算得到第一融合权重和第二融合权重，,,,对池化后的第六特征图进行第一维度调整，包括先去掉空间维度，再对一维通道卷积后第六特征图进行第二维度调整，使得维度调整4,对输入的特征图进行1×1卷积处理得到第三多尺将得到的第三多尺度特征图、第四多尺度特征图、第五多尺度5用声音信号的丰富模式信息,具有更强的特征表示和建模能力，因而能够获得更高的识别特征分别进行MFCC特征提取得到第二音频信号特征和GFCC特征提取得到第三音频信号特将所述第二音频信号特征和第三音频信号特征作为无人机类型识别网络的输入，在空间维度上对所述第三特征图的特征进行自适应融合在通道维度上对所述第六特征图的特征进行自适应调整对所述第七特征图进行特征增强处理得到第6对所述第三特征图进行第一多尺度特征提取得到多尺度将所述第四特征图和第五特征图进行特征融合得到自适应调整，使得两者的协同作用提升了无人机类型识别的特征表达能力和自适应能力，根据说明书中的描述以及本领域的一般技术知识即可完7特征作为噪声样本的噪声特征，深度学习模型方面选取了具有IRTBlock_A模块和[0014]鉴于此，本申请一种实施例中提供了一种基于声音识别[0016]采集包含无人机音频信号的声音信号，基于该声音信号对无人机的类型进行识音频信号特征分别进行MFCC（梅尔频率倒谱系数）特征提取得到第二音频信号特征和GFCC换难以看出音频信号特征，经过傅里叶变换后可以得到更丰富的关于此音频信号的信息。8[0023]由于梅尔频率倒谱系数特征和伽马音频率倒谱系数特征分别通过梅尔滤波器组[0024]步骤S30，将第二音频信号特征和第三音频信号特征作为无人机类型识别网络的,9,三特征图和尺寸调整后的第一多尺度特征图T;相加，然后通过一个sigmoid激活函数生[0040]步骤S30222，将自校正结果依次经过卷积处理和激活函数处理后得到总融合权,[0041]为了进一步优化融合过程，通过对自校正结果进一步的卷积和sigmoid激活操,β表示第二融合权重。,,,变为(batch_size，channels，1)。然后在最[0063]步骤S3036，将得到的每个通道的注意力权重与第六特征图相乘，得到第七特征[0081]本申请实施例中的无人机类型识别网络为基于采集的无人机声音样本进行训练所采用的无人机类型识别网络具有在远距离情况下仍然具有较高识别能[0082]本申请的一种实施例中提供了一种计算机可读存储介质，存储介质上存储有程