Aircraft take-off noises classification based on human auditory’s matched features extraction

Márquez-Molina, Miguel; Sánchez-Fernández, Luis Pastor; Suárez-Guerra, Sergio; Sánchez-Pérez, Luis Alejandro

doi:10.1016/j.apacoust.2013.12.003

Cited by 28 publications

(12 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In acoustics, MFCCs were used by (Guo and Li, 2003) and (Dennis et al, 2011) for multiple sounds identification, and by (Lim et al, 2007) for identification of underwater acoustic transients. They were also used by (Wimmer et al, 2010) for the identification of environmental sounds, and by (Márquez-Molina et al, 2014) for aircraft take-off noise classification. MFCCs were also used to describe signals to distinguish speech from music from nonvocal sounds by (Foote, 1997), for musical instrument recognition by (Eronen and Klapuri, 2000), and for musical genre classification by (Deshpande et al, 2001).…”

Section: Speech Classification and Mel Frequency Cepstral Coefficientsmentioning

confidence: 99%

Automatic fish sounds classification

Malfante

Mura

Mars

et al. 2016

Journal of the Acoustical Society of America

View full text Add to dashboard Cite

The work presented in this paper addresses the issue of environmental monitoring. Specifically, it focuses on the use of acoustic systems for passive acoustic monitoring of ocean vitality for fish populations. To this end, various indicators can be used to monitor marine areas such as both the geographical and temporal evolution of fish populations. A discriminative model is built using supervised machine learning (random-forest and support-vector machines). Each acquisition is represented in a feature space, in which the patterns belonging to different semantic classes are as separable as possible. The set of features proposed for describing the acquisitions come from an extensive state of the art in various domains in which classification of acoustic signals is performed, including speech, music, and environmental sounds. Furthermore, this study proposes to extract features from three representations of the data (time, frequency, and cepstral domains). The proposed classification scheme is tested on real fish sounds recorded on several areas, and achieves 96.9% correct classification., compared to 72.5% when using reference state of the art features as descriptors. The classification scheme is also validated on continuous underwater recordings, thereby illustrating that it can be used to both detect and classify fish sounds in operational scenarios.

show abstract

Section: Speech Classification and Mel Frequency Cepstral Coefficientsmentioning

confidence: 99%

Automatic fish sounds classification

Malfante

Mura

Mars

et al. 2016

Journal of the Acoustical Society of America

View full text Add to dashboard Cite

show abstract

“…Este fenómeno se ilustra en la Más aún, la distribución en tiempo de las componentes de frecuencia es diferente en cada espectrograma. Reconocimiento de clases de aeronaves con base en patrones del ruido en el despegue 801 ISSN 2007-9737 Varios métodos han sido propuestos para identificar la clase de aeronave que despega usando rasgos del espectro de la señal [20][21][22][23].…”

Section: Reconocimiento De La Clase De Aeronave Usando Segmentación Eunclassified

“…Por otra parte, en [23], se evalúan concurrentemente rasgos extraídos a partir de los MFCC y bandas de 1/24 de octava evaluados por dos redes paralelas. En ambos modelos se define un algoritmo de agregación para ponderar las múltiples salidas producidas por las redes.…”

Section: Agregación Jerárquica Dinámica De Salidas Paralelasunclassified

“…En la Secciones 2 y 3, se utiliza una red neuronal para cada segmento (véase [19,31]) mientras que en [23] se usan dos redes paralelas para evaluar dos tipos diferentes de rasgos extraídos de la misma señal. En todos los casos se establece un algoritmo de agregación para construir la respuesta final a partir de las múltiples salidas producidas por todas las redes neuronales.…”

Section: Modelo Multicapa Neuro-difusounclassified

“…Los experimentos descritos en la Sección 4.2.2 se utilizan para comparar el desempeño del modelo propuesto y aquellos definidos en [19,22,23] usando ambas bases de datos de la Tabla 5. Los experimentos de la Sección 4.2.2 utilizan una nueva base de datos más compleja y actualizada, estrictamente construida a partir de mediciones en tiempo real y usando varias fuentes para verificar el horario del despegue, el tipo de aeronave y motor de avión.…”

Section: Experimentosunclassified

See 2 more Smart Citations

Aircraft Class Recognition based on Take-off Noise Patterns

Pérez

Sánchez-Fernández²,

Guerra³

2016

CyS

View full text Add to dashboard Cite

Resumen. En este trabajo se examina el reconocimiento de la clase de aeronaves a partir de patrones del ruido en el despegue. Se analiza la segmentación de la señal en tiempo y el uso de una red neuronal MLP por cada segmento. Asimismo, se examinan varios algoritmos de decisión por comité para la agregación de las múltiples salidas de los clasificadores paralelos, así como la extracción y selección de características con base en el análisis del espectro del ruido de aeronaves. Por otro lado, se explora un método para estimar la trayectoria georreferenciada durante el despegue únicamente a partir de la señal. La metodología y los resultados están sustentados en la literatura actual. Palabras clave. Ruido en aeropuertos, clasificación de aeronaves, segmentación de la señal, redes neuronales.

show abstract

Aircraft Noise Exposure and Effects on the Health of Nearby Residents: A Review

Athirah

Shahida

2021

Human-Centered Technology for a Better Tomorrow

View full text Add to dashboard Cite

Aircraft take-off noises classification based on human auditory’s matched features extraction

Cited by 28 publications

References 31 publications

Automatic fish sounds classification

Automatic fish sounds classification

Aircraft Class Recognition based on Take-off Noise Patterns

Aircraft Noise Exposure and Effects on the Health of Nearby Residents: A Review

Contact Info

Product

Resources

About