基于叠加双向LSTM的多标签无人机声音分类

本文由用户“qdtjvszxc”分享发布 更新时间:2021-09-29 16:53:18 举报文档

以下为《基于叠加双向LSTM的多标签无人机声音分类》的无排版文字预览,完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。

2020第四届IEEE机器人计算国际会议(IRC)

基于叠加双向LSTM的多标签无人机声音分类

Dana Utebayeva Manal Alduraibi Lyazzat Ilipbayeva

电气工程系, 计算机和信息技术 无线电工程系,

电信和空间技术 普渡大学

电子和电信

国际信息技术大学

哈萨克斯坦阿拉木图ilipbaevalazzat@gmail.com



萨特巴耶夫大学

哈萨克斯坦阿拉木图dana.utebaieva@gmail.com

maldurai@purdue.edu西拉斐特





阿克汗·阿尔马甘别托夫

电气工程系

航空航天大学

美国almagama@erau.edu普雷斯科特

Yelmurat Temirgaliyev

计算机科学系

苏某某·德米雷某某大学

哈萨克斯坦卡斯克伦

***1@stu.sdu.edu.kz

Sungat Marxuly

EET和圣

萨特巴耶夫大学

哈萨克斯坦阿拉木图sungat50@gmail.com



 摘要——如今,无人机对公园、学校、医院和官方建筑等公共区域构成越来越大的威胁。处理无人机探测的不同方法正在越来越积极地发展。本文主要关注两个关键目标:第一个目标是执行多标签分类系统,第二个目标是开发具有两个隐藏层的堆叠双向长短期记忆(LSTM)来分类多个无人机声音。框架式谱域特征被用作所提出系统的输入。总的来说,研究结果表明,无人机的声音可以分为多个标签。这项研究是第一次尝试彻底检查堆叠双向LSTM无人机声音分类任务。

爱达荷(Idaho的缩写)。导言及相关作品

无人机的娱乐用途简单易用,如今已开.经始流行起来。这些无人驾驶飞行器在开阔的区域内可能会将危险扩大到个人的福祉。例如,在航站楼附近或人口密集的开阔区域,例如开放的公园、竞技场或学校,驾驶无人机会对个人或财产造成伤害[1]。虽然无人驾驶飞行器的最新进展已经在许多领域受益,例如军事、农业和航空摄影,但它们还与根本的危险有关,例如由虚假控制或人为失误造成的坠机事故。此外,有人担心小型无人机可能参与恐怖活动[2]。此外,有人担心小型无人机可能与心理战有关。因此,在不同的环境中,区分和限制非法使用无人机的需求正在发展。无人机的速度和波动条件使得探测飞行中的小型无人机成为一项复杂的任务[3]。解决这一复杂任务需要开发无人机监控设备。监控设备可以是被动的(仅用于观察或监听)或主动的(用于发送信号并进行分析)

978-1-7281-5237-0/20/$ 31.00 2020年IEEE

DOI 10.1109/IRC.2020.00086

什么回来了)并可以执行以下功能,如检测;分类和识别;定位和跟踪;警报。探测意味着可以探测无人机的系统。然而,仅仅检测通常是不够的。例如,识别无人机的雷达同样可以识别有羽毛的生物。这就是为什么需要分类。对无人机进行分类的系统通常可以选择将无人机与不同种类的物品隔离开来,比如飞机和鸟类。下一步是识别。一些硬件可以识别无人机的特定型号,甚至可以区分无人机或控制器的计算机化唯一标记。一些系统可以实时确定无人机的位置。无人机监控设备主要有四种类型:射频分析仪;声学传感器(麦克风);光学传感器(照相机)和雷达[4]。在这项工作中,我们考虑了可以利用声学传感器(麦克风)识别无人机的框架。声信号无人机探测方法的重要意义在于其设备结构成本低。本文考虑使用声学传感器收集的声学数据在分类方向上研究无人机探测任务。

如今,由于机器学习,尤其是深度学习算法的优势,无人机声音分类成为一个迷人的领域。诸如卷积神经网络(CNN)、递归神经网络(RNN)以及高斯混合模型(GMM)等最先进的深度学习算法正被应用于无人机声音分类。此外,传统的机器学习分类工具SVM(支持向某某)被用于无人机声音分类[18]。具体来说,这些方法能够基于声音事件检测[5],[6],[7],[8]将娱乐用途无人机的存在检测为二元分类问题。然而,与此同时,无人机声音检测的多标签分类问题需要在该领域进行研究。本文旨在研究基于堆叠双向长短期记忆(LSTM)的多标签无人机声音分类。这是第一次尝试使用这种特殊版本的递归神经网络来完成无人机声音分类的任务。执行的任务主要集中在加载或卸载的无人机声音分类上。在几项基于图像的研究[17],[19]中已经研究了装载和卸载目标的无人机探测问题的公式。

二. 框架和方法

无人机识别的声学框架由以下几个基本部分组成:数据准备、预处理和分类。该框架的第一部分涉及使用声学传感器从不同类型的无人机收集声学数据,第二部分考虑通过从音频表示中提取特征来准备音频数据进入网络,第三部分涉及使用深度学习方法对训练数据集进行多标签分类。本研究着手研究基于递归神经网络(RNN):堆叠双向长短期记忆(LSTM)的框架,用于在存在由背景噪声、空载和负载无人机组成的大声学数据集时的声音分类性能[16]。

A. 数据准备

数据准备是任何机器学习算法的主要部分。如上所述,无人机声音分类是通过使用声音数据来执行的。由于在利用音频分析检测无人机领域的研究有限,因此没有开放的可访问声学数据集。因此,所使用的数据集被收集用于主要的三类多无人机检测,包括背景噪声、场景中不同模型的空载无人机声音和场景中的负载无人机声音。因此,本研究论文的第一个目标是执行多标签分类系统。数据集架构使其成为多个标签的分类问题。无人机声音(DJI幻影一、DJI幻影二、司马x20、6轴陀螺、狼蛛等。以44100赫兹的频率和16位分辨率的麦克风位深度记录。录制的声音被保存为未压缩的WAV文件[7]。所有wav文件在数据集中被分为三个主要类别:“已加载”、“未加载”和“无无人机”。其他类似的环境声音,如摩托车、火车、其他类型的交通工具都被记录下来,使问题变得更加复杂。所有这些额外的噪音都被收集到不同标签的“无无人机”类中。“装载”级无人机携带0.5 KG模型粘土的额外有效载荷。名为“P1”的无人机类型在图1中被视为“空载”类别,因为实验结果表明它们太弱,无法承载任何显著的载荷。

B. 预处理

声音信号更经常被各种类型的环境噪声污染。因此,将使用一些滤波方法来降低噪声。但是目前有很多基于转换的

/

图。1.无人机的多个标签

去噪方法。这些去噪技术是在预处理步骤中完成的。预处理的基本步骤是在时域和频域中表示声学数据。当在频域中给出数据时,

/

图。2.音频特征类别的视觉表示

需要明显更少的计算空间。为此,声音信号被分离成各种纯信号,这些纯信号可以被描述为频域的唯一值[12]。下一步是从音频表示中提取音频特征。图。图2示出了可被提取用于分析的音频特征类别的视觉表示。图2中的时间序列特征。在我们的检查中使用的3个被分离成几个分类,像有负载的、无负载的无人机及其动作和无无人机等。特征

/

图。3.多种无人机类型提取的时域特征可以通过预处理技术进行,例如傅里叶变换分析、滤波器组、Mel频率、频谱图等。梅尔频率倒谱系数是相当长一段时间内的著名特征;然而最近,过滤器组变得越来越突出。滤波器组和多功能电容器的计算过程包括大致相同的步骤,在这两个过程中,滤波器组被计算,并且需要一些额外的步骤来获得多功能电容器。首先,信号通过预加重滤波器;然后它被分成(重 内容过长,仅展示头部和尾部部分文字预览,全文请查看图片预览。 娥,戴某某,王某某,萧某某,基于堆叠双向LSTM的中国微博情感分析,Acces,2019

迪维延舒·塔库尔,LSTM及其方程,谷歌代码之夏,2019

D. 乌特巴耶娃,m。Alduraibi。Ilipbayeva。Temirgaliyev堆叠

多标签无人机声音分类,未出版

单位。Seidaliyeva。Alduraibi。基于深度残差神经网络的加载和卸载无人机图像分类,未公开。

米(meter的缩写))。Z. 安瓦尔,z。卡勒姆和a。用于公共安全应用的机器学习启发的基于声音的业余无人机检测

2。 单位。Seidaliyeva。Alduraibi。《利用深度神经网络检测有载和无载无人机》,未发表。

[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]请点击下方选择您需要的文档下载。

  1. 智能垃圾分类箱项目简介
  2. 小学生活垃圾分类投放、收运工作制度
  3. 小学垃圾分类管理制度
  4. 第2课时 分类与整理(2)
  5. 普通高等学校招生全国统一考试文综全国卷
  6. 《成人护理(内)》课程单元教学设计
  7. 小学关于开展垃圾分类宣传教育活动安排
  8. XX垃圾分类调研 (1)
  9. ***社区垃圾分类管理的调查报告-
  10. 社区垃圾分类活动
  11. 物业服务企业应对政府强制要求垃圾分类的一点思考
  12. 垃圾分类要从娃娃抓起征文
  13. 垃圾分类致广大居民一封信

以上为《基于叠加双向LSTM的多标签无人机声音分类》的无排版文字预览,完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。

图片预览