Sensor acústico de alta sensibilidad basado en procesado en array para la detección de aeronaves volando a baja altura
La capacidad de los helicópteros que vuelan a baja altura para penetrar en los sistemas de defensa aérea, sin ser detectados por los radares convencionales, es uno de los problemas de la defensa aérea. Las firmas acústicas de estos helicópteros que vuelan bajo pueden emplearse para su detección e id...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/54333 |
| Acceso en línea: | http://hdl.handle.net/10017/54333 |
| Access Level: | acceso abierto |
| Palabra clave: | Helicóptero Array de micrófonos Frecuencia fundamental Modelos paramétricos Redes neuronales Helicopter Microphone array Fundamental frequency Parametric models Neural network Telecomunicaciones Telecommunication |
| Sumario: | La capacidad de los helicópteros que vuelan a baja altura para penetrar en los sistemas de defensa aérea, sin ser detectados por los radares convencionales, es uno de los problemas de la defensa aérea. Las firmas acústicas de estos helicópteros que vuelan bajo pueden emplearse para su detección e identificación. En primer lugar se exponen los fundamentos básicos de las aeronaves, profundizando en los aerodinos con sistema de ala giratoria. En esta clasificación se encuentran enmarcados los helicópteros. Se proporcionarán las principales características de estos, clasificándolos en función de la configuración de la hélice. Además, se hace referencia a las Fuerzas Armadas (FAS) y al Ejército del Aire y del Espacio (EA), detallando los helicópteros que actualmente prestan servicio y cuyas grabaciones son objeto de estudio en este Trabajo Fin de Máster (TFM). En segundo lugar se proporciona un marco teórico con los conocimientos necesarios para poder desarrollar y obtener unos resultados adecuados en los capítulos siguientes. Se exponen unas nociones básicas de acústica general, para que seguidamente se explique en qué consiste la caracterización completa de la señal. Tras ello se estudia la atenuación basada en la International Organization for Standardization (ISO) 9613 y se detalla una técnica de parametrización como es el análisis de predicción lineal para obtener los parámetros Linear Prediction Coefficiens (LPC). Para finalizar, se fundamentan diferentes técnicas de clasificación con especial atención a las Redes Neuronales Artificiales (RNA), y se proporciona la teoría necesaria para comprender el funcionamiento de un receptor acústico. En el desarrollo del trabajo se realiza un análisis en el dominio del tiempo de las señales donde se comienza a intuir de una manera más o menos clara cuáles son las frecuencias fundamentales para los distintos audios de los helicópteros. El análisis en frecuencia permite averiguar en qué banda de frecuencias se obtiene la mayor potencia de la señal para lograr estimar la frecuencia fundamental, que finalmente y, tras determinar que con el Cepstrum no es posible realizarlo, se obtiene aplicando la autocorrelación. Se representa también la envolvente de la señal calculada a través de los coeficientes LPC. Además, se aplica la técnica Empirical Mode Descomposition (EMD) para tratar de diferenciar los helicópteros entre si y con otro tipo de señales, mediante el uso de los modos o Intrinsic Mode Function (IMF). Finalmente, se cierra el capitulo analizando el medio de propagación de la señal, con el cálculo de su atenuación en función de la distancia. Son puntos clave la distancia de los micrófonos, las pérdidas que van a tener lugar en la transmisión de los sonidos a través del aire o la aparición de ruido ambiental. Por último, se proporciona el error obtenido al aplicar los diferentes clasificadores estudiados. Se determinará la presencia de un helicóptero mediante la utilización de redes neuronales, con una capa oculta y observando los resultados con una o más neuronas. Para obtener los datos de los clasificadores se han supuesto las señales de los cuatro helicópteros estudiados y otro tipo de audios completamente diferentes. |
|---|