述第一神經(jīng)網(wǎng)絡分類系數(shù)和所述第二神經(jīng)網(wǎng) 絡分類系數(shù)，獲得組合分類系數(shù)。以上神經(jīng)網(wǎng)絡分類系數(shù)通過BP算法進行神經(jīng)網(wǎng)絡系數(shù)訓 練學習得到，當然，本領(lǐng)域的技術(shù)人員可以根據(jù)以上方法獲取神經(jīng)網(wǎng)絡系數(shù)，也可以采用其 他的已知的方法獲取神經(jīng)網(wǎng)絡系數(shù)。
[0113] 分類器訓練步驟208,用于根據(jù)所述組合分類系數(shù)訓練獲得分類器。
[0114] 應該注意的是，盡管在圖中上述的步驟202和203被示為并行處理，但是也可以依 次處理，并且處理順序方面也沒有限制。
[0115] 上述兩種方法中的特征值提取方法、有效特征值提取、樣本繁殖方法、神經(jīng)網(wǎng)絡分 類系數(shù)獲取與組合方法等，并不限于本發(fā)明申請文件中記載的內(nèi)容，目前已知的特征值提 取方法、有效特征值提取、樣本繁殖方法、神經(jīng)網(wǎng)絡分類系數(shù)獲取與組合方法等也可適用于 本發(fā)明。
[0116] 應該注意的是，對裝置的描述可以用來幫助對方法流程的理解，對方法流程的描 述也可以用來對裝置進行解釋。
[0117] 下面給出依據(jù)本發(fā)明的方法和裝置的具體實踐的實驗結(jié)果。
[0118] 具體實施例
[0119] (a)選擇訓練類型為直升機；
[0120] (b)數(shù)據(jù)建模；
[0121] (c)進行參數(shù)設置：步長設置為0. 3,慣性項設置為0. 95,收斂閾值設為0. 001，迭 代次數(shù)設為100 ;
[0122] (d)對其子類目標神經(jīng)網(wǎng)絡分類器進行學習訓練；
[0123] (e)選擇訓練類型為直升機訓練完畢后，采用三組直升機聲數(shù)據(jù)進行識別分類測 試，其分類概率分別是99. 5%、95. 1 %和98. 6%。采用三組非直升機類聲數(shù)據(jù)進行識別分 類測試，其分類概率分別是〇. 01 %，〇 %和〇 %。
[0124] (f)選擇訓練類型為噴氣式飛行器；
[0125] (g)重復步驟（b)至步驟（d);
[0126] (h)訓練完畢后，采用三組噴氣式聲數(shù)據(jù)進行識別分類測試，其分類概率分別是 99. 4%、99. 7%和100%。采用三組非噴氣類聲數(shù)據(jù)進行識別分類測試，其分類概率分別是 6. 7%，0%和 0%。
[0127] 通過實施例數(shù)據(jù)可以看出，本發(fā)明所描述的聲數(shù)據(jù)訓練識別方法具有較高的識別 率，在試驗中，對多組螺旋槳類、噴氣類和其他類等目標聲數(shù)據(jù)進行訓練識別，其識別結(jié)果 可達80%以上。
[0128] 因而，根據(jù)本發(fā)明的實施方式進行訓練得到的分類器可以穩(wěn)定工作，識別率高。通 過這種方法訓練學習得到的分類器的目標正確識別概率可達到80%以上。
[0129] 對于本領(lǐng)域普通技術(shù)人員而言，可能會增加新的優(yōu)點以及作一些修改，本發(fā)明并 不受已經(jīng)描述的【具體實施方式】的局限，具有更寬的范圍。因此，根據(jù)這些具體的描述而進行 的一些修改，并不脫離本申請人發(fā)明點的實質(zhì)。
【主權(quán)項】
1. 一種目標聲數(shù)據(jù)訓練裝置，其特征在于，所述目標聲數(shù)據(jù)訓練裝置包括： 樣本獲取模塊，用于獲取訓練樣本； 第一特征值提取單元，用于根據(jù)所述訓練樣本利用第一方式獲得第一特征值； 第二特征值提取單元，用于根據(jù)所述訓練樣本利用與所述第一方式不同的第二方式獲 得第二特征值； 特征值組合單元，用于組合所述第一特征值和所述第二特征值，獲得組合特征值；以及 分類器單元，根據(jù)所述組合特征值訓練獲得分類器。2. 根據(jù)權(quán)利要求1所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述目標聲數(shù)據(jù)訓練裝 置還包括第三特征值提取單元，所述第三特征值提取單元用于根據(jù)所述訓練樣本利用與所 述第一方式和所述第二方式不同的第三方式獲得第三特征值，所述特征值組合單元組合所 述第一特征值、所述第二特征值和所述第三特征值獲得所述組合特征值。3. 根據(jù)權(quán)利要求1所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述目標聲數(shù)據(jù)訓練裝 置還包括樣本繁殖單元，所述樣本繁殖單元用于對所述樣本獲取單元所獲取的訓練樣本中 數(shù)量過少的正樣本或負樣本進行繁殖。4. 根據(jù)權(quán)利要求1或2或3所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述第一特征值 提取單元對于正訓練樣本利用高斯混合模型獲得所述第一特征值，對于負訓練樣本利用通 用背景模型獲得所述第一特征值。5. 根據(jù)權(quán)利要求4所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述第二特征值提取單 元包括： 周期圖特征提取單元，用于提取所述訓練樣本的周期圖特征；以及 有效特征值提取單元，用于根據(jù)所述周期圖特征獲得有效特征值，作為所述第二特征 值。6. 根據(jù)權(quán)利要求4所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述第二特征值提取單 元包括： AR譜特征提取單元，用于提取所述訓練樣本的AR譜特征；以及 有效特征值提取單元，用于根據(jù)所述AR譜特征獲得有效特征值，作為所述第二特征 值。7. 根據(jù)權(quán)利要求6所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述第三特征值提取單 元包括： 周期圖特征提取單元，用于提取所述訓練樣本的周期圖特征；以及 第二有效特征值提取單元，用于根據(jù)所述周期圖特征獲得有效特征值，作為所述第三 特征值。8. 根據(jù)權(quán)利要求7所述的目標聲數(shù)據(jù)訓練裝置，其特征在于，所述有效特征值提取單 元和所述第二有效特征值提取單元均采用PCA方法進行有效特征提取。9. 一種目標聲數(shù)據(jù)訓練裝置，其特征在于，所述目標聲數(shù)據(jù)訓練裝置包括： 樣本獲取單元，用于獲取訓練樣本； 第一特征值提取單元，用于根據(jù)所述訓練樣本利用第一方式獲得第一特征值； 第二特征值提取單元，用于根據(jù)所述訓練樣本利用與所述第一方式不同的第二方式獲 得第二特征值； 分類系數(shù)獲取單元，根據(jù)所述第一特征值獲取第一神經(jīng)網(wǎng)絡分類系數(shù)，并根據(jù)所述第 二特征值獲取第二神經(jīng)網(wǎng)絡分類系數(shù)； 組合系數(shù)獲取單元，用于組合所述第一神經(jīng)網(wǎng)絡分類系數(shù)和所述第二神經(jīng)網(wǎng)絡分類系 數(shù)，獲得組合分類系數(shù)；以及 分類器單元，用于根據(jù)所述組合分類系數(shù)訓練獲得分類器。10. -種目標聲數(shù)據(jù)訓練方法，其特征在于，包括以下步驟： 樣本獲取步驟，用于獲取訓練樣本； 第一特征向量提取步驟，用于根據(jù)所述訓練樣本利用第一方式獲得第一特征值； 第二特征值提取步驟，用于根據(jù)所述訓練樣本利用與所述第一方式不同的第二方式獲 得第二特征值； 特征值組合步驟，用于組合所述第一特征值和所述第二特征值，獲得組合特征值；以及 分類器訓練步驟，用于根據(jù)所述組合特征值訓練獲得分類器。
【專利摘要】一種目標聲數(shù)據(jù)訓練裝置和目標聲數(shù)據(jù)訓練方法，所述目標聲數(shù)據(jù)訓練裝置包括：樣本獲取模塊，用于獲取訓練樣本；第一特征值提取單元，用于根據(jù)所述訓練樣本利用第一方式獲得第一特征值；第二特征值提取單元，用于根據(jù)所述訓練樣本利用與所述第一方式不同的第二方式獲得第二特征值；特征值組合單元，用于組合所述第一特征值和所述第二特征值，獲得組合特征值；以及分類器單元，根據(jù)所述組合特征值訓練獲得分類器，本發(fā)明中的裝置和方法針對同一聲數(shù)據(jù)訓練樣本獲得不同的特征值，基于這些特征值對分類器進行訓練，可以增加分類器的穩(wěn)定性，提高分類器的識別正確率。
【IPC分類】G10K15/06, G06K9/62
【公開號】CN105304078
【申請?zhí)枴緾N201510712714
【發(fā)明人】張思凡, 王志峰, 溫明, 楊博, 孫志潔
【申請人】中國電子科技集團公司第三研究所
【公開日】2016年2月3日
【申請日】2015年10月28日