基于自编码器的飞机类型识别方法

作者： 张朝柱   黄妤宁   来源： 无线电工程 年份： 2019 文献类型 ： 期刊 关键词： 机器学习   梅尔倒谱系数   自编码器   飞机类型识别   联合特征提取  

描述： 针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%且平均识别准确率为95.98%;针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%且平均准确率为97.74%。

基于自编码器的飞机类型识别方法

作者： 张朝柱   黄妤宁   来源： 无线电工程 年份： 2019 文献类型 ： 期刊 关键词： 机器学习   梅尔倒谱系数   自编码器   飞机类型识别   联合特征提取  

描述： 针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%,且平均识别准确率为95.98%。针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%,且平均准确率为97.74%。

基于自编码器的飞机类型识别方法

作者： 张朝柱   黄妤宁   来源： 无线电工程 年份： 2019 文献类型 ： 期刊 关键词： 机器学习   梅尔倒谱系数   自编码器   飞机类型识别   联合特征提取  

描述： 针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%,且平均识别准确率为95.98%。针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%,且平均准确率为97.74%。

基于自编码器的飞机类型识别方法

作者： 张朝柱   黄妤宁   来源： 无线电工程 年份： 2019 文献类型 ： 期刊 关键词： 机器学习   梅尔倒谱系数   自编码器   飞机类型识别   联合特征提取  

描述： 针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%且平均识别准确率为95.98%;针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%且平均准确率为97.74%。

基于自编码器的飞机类型识别方法

作者： 张朝柱   黄妤宁   来源： 无线电工程 年份： 2019 文献类型 ： 期刊 关键词： 机器学习   梅尔倒谱系数   自编码器   飞机类型识别   联合特征提取  

描述： 针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%,且平均识别准确率为95.98%。针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%,且平均准确率为97.74%。

基于自编码器的飞机类型识别方法

作者： 张朝柱   黄妤宁   来源： 无线电工程 年份： 2019 文献类型 ： 期刊 关键词： 机器学习   梅尔倒谱系数   自编码器   飞机类型识别   联合特征提取  

描述： 针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%,且平均识别准确率为95.98%。针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%,且平均准确率为97.74%。