中文摘要：

研究在非合作通信中，根据简短的飞行员短波语音通话中所含的背景声信息进行飞机类型识别，有助于了解态势、掌握非常情况，对国家安全有重要意义。短波信道复杂多变、信号质量差，非合作所造成的随机性、小信息量及驾驶舱内背景声的多样性等是本研究的关键。主要研究内容如下 (1) 舱内背景声提取。包含飞机类型的声信息蕴含在背景声中，如何完整的提取出舱内背景声信息，是后续研究的基础。(2) 背景声物理特性的分析。背景声的成份复杂，各种噪声混叠在一起，对其进行深入分析，对飞机特征声信息提取起到重要的作用。(3) 极小信息量下的特征提取及识别研究。飞行员短波语音通话简洁扼要，时间短。极小信息量下特征提取及避免分类器的过学习也是研究的重要内容。

结论摘要：

短波语音通话下的飞机驾驶舱室背景声进行飞机类型的识别，是非合作目标识别领域的一个新课题。现有的飞机识别技术，主要基于雷达和图像进行飞机识别。而两者的不足之处在于作用距离近。目前短波语音通话下的飞机识别主要是靠资深专业人员进行倾听识别。为区分目标信号的来源是地面目标还是飞机目标，本课题结合Welch算法的特点，对地面信号/飞机信号进行了目标信号的辨识，结果表明地面目标与飞机目标存在着很大的差异性，实现了飞机类型识别的目标数据定位。对飞机驾驶舱背景声进行特性分析，是进行飞机识别工作中的首要任务。用集合均值和集合方差的方法进行目标信号的频谱分析，得到了背景声的相关物理特性，结果揭示了不同飞机类型的背景声重要的谱峰差异特性。为语音抑制、特征提取以及类型识别做了积极的铺垫研究工作。在原始信号中的飞行员话音，语音成为了强干扰噪声，因此需要去除。提出了一种噪声环境条件下语音检测算法，对检测到的原始信号流中的语音段采用两种方式进行语音抑制。利用经验模态分解与小波分析（EMD_WT）进行语音抑制，但在语音抑制的过程中引入了大量过程噪声，为后续相关处理带来了很大的隐患。于是提出利用全局经验模态分解与小波包分解结合（EEMD_WP）实现语音抑制。通过时域与频域的对比，EEMD_WP较EMD_WT取得了较好的性能，对语音进行了有效的抑制，增强了背景声。特征提取是识别的一个重要内容。从听觉感知的角度对背景声进行了特征提取的研究。依据MFCC提取流程，提出了基于听觉感知的Bark小波包进行特征提取，结合目标信号的物理特性分析的结论，利用对角切片的方式选取小波包结点，得到了体现目标信号物理特性的特征。并结合了具有时序性的Delta特征。为减少特征参数的冗余，根据F比对综合特征进行评价和选择，最终得到性能优良的混合特征。针对飞机的高斯混合模型(GMM)参数冗余的问题，利用基于贝叶斯阴阳(BYY)和谐学习理论和普通梯度算法进行模型选择，实现模型参数估计及阶数的自动选择。而普通梯度学习算法往往会陷入和谐函数的局部极值，提出基于黎曼流形的贝叶斯阴阳和谐学习的自然梯度学习算法。基于自然梯度的模型选择算法不仅能够实现自动模型选择，对模型复杂度进行了不同程序的有效压缩，并且收敛性能优于普通梯度学习算法，使高斯混合模型对飞机目标信号的分布空间的拟合程度更进一步，提高了极少信息量下的识别性能。