【技術實現步驟摘要】
本申請涉及信號識別，尤其涉及一種基于元遷移學習的無人機聲學信號識別方法及系統。
技術介紹
1、無人機技術已迅速崛起，成為民用與軍事領域關注的焦點，其在監測、偵察、物流、農業、影視制作等領域展示了巨大的應用價值。隨著使用場景的擴展，保障空域安全和對無人機進行實時監控變得尤為關鍵。在這一背景下，聲學信號識別技術成為了無人機監控與管理的關鍵手段。但是，識別無人機的聲學信號面臨眾多挑戰，包括環境噪聲的干擾和聲學信號本身的多樣性及復雜性。環境中的風聲和交通噪音，以及不同無人機型號產生的聲音差異，都大大提高了聲音識別的難度。盡管存在多種聲學信號處理方案，但它們在應對實際環境的復雜性時常常效果不佳。
技術實現思路
1、本申請實施例提供一種基于元遷移學習的無人機聲學信號識別方法及系統，用以利用元遷移學習通過在多個任務上學習任務之間的共性，可以更好地處理聲學信號的多樣性和復雜性，能夠在新任務上更快地學習和適應，提高聲學信號識別的準確率。
2、本申請實施例提供一種基于元遷移學習的無人機聲學信號識別方法，包括：
3、預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量；
4、定義多個元遷移學習模型的學習任務，每個學習任務用于從聲音樣本的特征向量中識別不同類型或在不同的環境條件下的無人機；
5、對于新獲取的無人機聲音信號，利用部分標注數據對預訓練的元遷移學習模型進行微調；
6、利用微調后的元遷移學習模型，執行無
7、可選的，預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量包括：
8、獲取無人機在城市、鄉村、森林、不同天氣條件、不同飛行狀態以及不同飛行距離下的聲音樣本；
9、對獲取的聲音樣本進行降采樣和預加重的預處理；
10、對于處理后的聲音樣本，執行分幀操作，其中分幀的每一幀含有n個采樣點，且相鄰兩幀之間存在預設重疊率的重疊部分；
11、對分幀信號使用漢明窗進行加窗處理；
12、對加窗處理的分幀信號進行傅里葉變換，以獲得頻域信號序列。
13、可選的，預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量還包括：
14、基于傅里葉變換獲得的頻域信號序列計算功率譜密度p(m,k)；
15、定義濾波器組，由i個三角濾波器構成，每個濾波器的中心頻率為f(i)，相應的頻率響應函數滿足：
16、
17、其中，k表示當前頻率點，f(i+1)、f(i)、f(i-1)分別表示第i+1、i、i-1個濾波器的中心頻率點；
18、將計算的功率譜密度p(m,k)，利用定義的濾波器組映射到梅爾頻率尺度，以獲得梅爾頻率功率譜密度(mpsd)；
19、對梅爾頻率功率譜密度進行離散余弦變換(dct)，得到mfcc系數；
20、計算mfcc系數的一階差分(δmfcc)，以及二階差分(δδmfcc)；
21、將獲得的mfcc、δmfcc和δδmfcc作為特征提取網絡的輸入。
22、可選的，定義多個元遷移學習模型的學習任務，每個學習任務用于從聲音樣本的特征向量中識別不同類型或在不同的環境條件下的無人機包括：
23、在元遷移學習模型的訓練過程，采用預訓練的網絡參數，利用縮放和平移操作來描述更新參數過程，其中縮放和平移分別對應調整模型的權重w和偏置b，縮放參數定義為φs1，平移參數定義為φs2，則更新后的參數w′和b′可表示為：
24、w′＝w⊙φs1
25、b′＝b+φs2
26、其中，⊙表示按元素乘積；
27、則元遷移學習的特征提取網絡的輸出滿足：
28、
29、其中，x表示特征提取網絡的輸入特征，w和b表示網絡的權重和偏置，φsi表示縮放和平移參數；
30、更新縮放和平移參數滿足：
31、
32、其中，β表示每個子任務的學習率，表示元訓練階段的損失函數，ttrain表示元訓練任務的訓練數據，對應為每個任務中的支持集中的數據，θ表示模型特征提取網絡的參數。
33、可選的，定義多個元遷移學習模型的學習任務，每個學習任務用于從聲音樣本的特征向量中識別不同類型或在不同的環境條件下的無人機還包括：
34、在訓練過程中，不更新模型的特征提取網絡的參數θ，而微調分類器的參數θ，對每個子任務利用訓練數據根據梯度下降算法對θ進行更新：
35、
36、其中，θ′表示更新后的分類器參數；
37、根據當前任務支持集微調后的模型參數φs′i和θ′，分類器θ和縮放平移參數φsi在當前任務的更新為：
38、
39、其中，γ表示元學習的學習率。
40、可選的，對于新獲取的無人機聲音信號，利用部分標注數據對預訓練的元遷移學習模型進行微調包括：
41、加載已經過訓練的transformer模型，并引入新的無人機聲學信號識別任務標注數據，使得transformer模型基于預訓練的結果執行訓練；
42、在transformer模型基于預訓練的結果執行訓練過程中，調整transformer模型后端部分的權重參數，且權重更新使用梯度下降法，滿足：
43、
44、其中，wnew為更新后的權重，是損失函數對權重的梯度；
45、將訓練數據集分為k個子集，每次留出部分子集作為測試集，剩余子集為訓練集，重復執行k次訓練，每次選擇不同的子集作為測試集，最終模型性能評估基于k次測試結果的平均值：
46、
47、其中，performance為性能評估結果，accuracy?i是第i次迭代的準確率。
48、可選的，對于新獲取的無人機聲音信號，利用部分標注數據對預訓練的元遷移學習模型進行微調還包括：
49、通過模型剪枝和知識蒸餾對transformer模型的架構進行優化，以降低模型復雜度。
50、本申請實施例還提出一種基于元遷移學習的無人機聲學信號識別系統，包括處理器和存儲器所述存儲器上存儲有計算機程序，所述計算機程序被處理器執行時實現如前述的基于元遷移學習的無人機聲學信號識別方法的步驟。
51、本申請實施例利用元遷移學習通過在多個任務上學習任務之間的共性，可以更好地處理聲學信號的多樣性和復雜性，能夠在新任務上更快地學習和適應，提高聲學信號識別的準確率。
52、上述說明僅是本申請技術方案的概述，為了能夠更清楚了解本申請的技術手段，而可依照說明書的內容予以實施，并且為了讓本申請的上述和其它目的、特征和優點能夠更明顯易懂，以下特舉本申請的具體實施方式。
本文檔來自技高網...【技術保護點】
1.一種基于元遷移學習的無人機聲學信號識別方法，其特征在于，包括：
2.如權利要求1所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量包括：
3.如權利要求1所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量還包括：
4.如權利要求1所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，定義多個元遷移學習模型的學習任務，每個學習任務用于從聲音樣本的特征向量中識別不同類型或在不同的環境條件下的無人機包括：
5.如權利要求4所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，定義多個元遷移學習模型的學習任務，每個學習任務用于從聲音樣本的特征向量中識別不同類型或在不同的環境條件下的無人機還包括：
6.如權利要求5所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，對于新獲取的無人機聲音信號，利用部分標注數據對預訓練的元遷移
7.如權利要求6所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，對于新獲取的無人機聲音信號，利用部分標注數據對預訓練的元遷移學習模型進行微調還包括：
8.一種基于元遷移學習的無人機聲學信號識別系統，其特征在于，包括處理器和存儲器所述存儲器上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7中任一項所述的基于元遷移學習的無人機聲學信號識別方法的步驟。
...【技術特征摘要】
1.一種基于元遷移學習的無人機聲學信號識別方法，其特征在于，包括：
2.如權利要求1所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量包括：
3.如權利要求1所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，預先獲取無人機在不同環境下、不同飛行狀態和距離下的聲音樣本，并提取所述聲音樣本的特征向量還包括：
4.如權利要求1所述的基于元遷移學習的無人機聲學信號識別方法，其特征在于，定義多個元遷移學習模型的學習任務，每個學習任務用于從聲音樣本的特征向量中識別不同類型或在不同的環境條件下的無人機包括：
5.如權利要求4所述的基于元遷移學習的無人機聲學信號識別方...
【專利技術屬性】
技術研發人員：徐山峰，張博，潘勉，金小龍，徐小龍，王博，
申請(專利權)人：中國電子科技集團有限公司電子科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。