Optimizing Features for the Classification of Aircraft Noise
Author
Christensen, Anders Nikolai
Term
4. Term
Education
Publication year
2016
Submitted on
2016-05-25
Pages
83
Abstract
Dette projekt undersøger metoder til at udtrække kendetegn i lydsignaler, som kan bruges af maskinlæring til at genkende, om en optagelse indeholder lyd fra et fly. Baggrunden er behovet for at holde støj på et minimum i områder tæt på, hvor mennesker bor og opholder sig, for eksempel omkring lufthavne, hvor der ofte fastsættes et maksimalt tilladt lydtryksniveau. For at håndhæve sådanne grænser er det nyttigt automatisk at kunne afgøre, hvornår en flylyd er til stede i et signal. Flylyde har ofte tydelige tidslige variationer, og vores udgangspunkt er, at udnyttelse af disse variationer kan forbedre detektionen. Vi undersøger derfor kendetegnsudtræk, der udnytter tidslige mønstre. Vi bruger cyklisk analyse i 1-sekunders segmenter til at afdække (skjulte) periodiciteter. Metoden giver en cyklisk spektral kohærens, et mål der fremhæver periodisk struktur i signalet. Derudover anvender vi en Harmonic Chirp Model (HCM) toneestimator, som følger de øjeblikkelige frekvenser over tid, når et fly passerer, og vi bruger disse oplysninger i en estimator for flyparametre til at udlede aspekter af flyets bane ud fra optagelsen. I sammenligninger viser cyklisk analyse kombineret med en parametrisk klassifikator (en statistisk model med fast form) omtrent samme klassifikationsfejl som en baseline med Mel-Frequency Cepstral Coefficients (MFCC) anvendt med en ikke-parametrisk klassifikator (en mere fleksibel metode). Vi demonstrerer fordele ved HCM-toneestimatoren, tester flyparameter-estimatoren på syntetiske (computergenererede) signaler og opnår gode resultater for detektion af fly under forbipasseringshændelser. Samlet set peger resultaterne på, at tidslige variationer i kendetegnsudtræk gavner detektion af fly i lydoptagelser.
This project investigates methods for extracting features from audio signals that enable machine learning to recognize when an aircraft is present in a recording. The motivation is to keep noise to a minimum in areas where people live and spend time, such as around airports that enforce maximum allowable sound pressure levels. To support this, it is useful to automatically detect when aircraft sounds occur in long recordings. Aircraft sounds often show clear temporal variation, and our premise is that using these variations can improve detection. We therefore focus on feature extraction that captures temporal patterns. We apply cyclic analysis in 1-second segments to reveal (hidden) periodicities, yielding cyclic spectral coherence—a measure that highlights periodic structure in the signal. We also use a Harmonic Chirp Model (HCM) pitch estimator to track instantaneous frequencies during aircraft events, and feed these into a flight-parameter estimator to infer aspects of a passing aircraft’s trajectory from audio. In comparisons, cyclic analysis combined with a parametric classifier (a statistical model with a fixed form) achieves classification error rates similar to a baseline using Mel-Frequency Cepstral Coefficients (MFCCs) with a non-parametric classifier (a more flexible method). We demonstrate advantages of the HCM pitch estimator, test the flight-parameter estimator on synthetic (computer-generated) signals, and obtain strong aircraft detection during pass-by events. Overall, the findings indicate that incorporating temporal variation in features benefits aircraft detection in audio recordings.
[This abstract was generated with the help of AI]
Documents