Reconocimiento de clases de aeronaves mediante el patrón acústico producido durante el despegue

RESUMEN El transporte aéreo es uno de los servicios más importantes del mundo ya que contribuye enormemente al progreso de la sociedad moderna. Este tiene un impacto sobre el medio ambiente, haciendo que el ruido de las aeronaves durante el despegue sea un problema de salud pública ambiental cerca de los aeropuertos y un tema importante de monitoreo y de investigación. En esta perspectiva, las acciones prácticas para analizar y controlar la exposición al ruido ambiental son esenciales, debido a que el crecimiento de la contaminación acústica implica efectos nocivos para la salud humana, tanto directos como acumulativos. Además, la tarea de clasificación en relación a la fuente del evento de ruido, es un punto débil de las unidades de monitoreo actuales en los aeropuertos. En este trabajo, se presenta un modelo computacional para el reconocimiento de clases de aeronaves basado en la extracción de rasgos característicos de la señal registrada durante el despegue y un modelo neuronal artificial para la clasificación, permitiendo su uso en sistemas de monitoreo de ruidos ambientales para planificación y gestión del ruido en las cercanías de los aeropuertos. Las señales del despegue de las aeronaves son adquiridas a 25 kHz a 24 bits y una duración de 24 segundos. Posteriormente, se obtienen 96 rasgos a través del análisis 1/24 de octava y 40 rasgos mediante los coeficientes cepstrales en la escala de Mel (MFCC). La clasificación de aeronaves se realiza mediante el uso de dos redes neuronales artificiales en paralelo, la primera red es entrenada con los rasgos de octava, la segunda es entrenada con los rasgos MFCC, y un módulo de toma de decisión interconectado a las salidas de ambas redes. Las aeronaves son agrupadas en clases dependiendo del tipo de motor instalado. Él modelo realiza la clasificación en 13 clases de aeronaves, con una precisión del 83%. ABSTRACT Air transportation is one of the most important services in the world, contributing greatly to the advancement of modern society. It has a local and a global impact on the environment making aircraft take-off noise an important environmental public health concern near airports and this is a significant subject for monitoring and research. In this perspective, practical actions to analyze and control environmental noise exposure are essential, due to growth of noise pollution involves direct and cumulative adverse effects to human health. Besides, the classification task in relation to the source of the noise event, it is a weak point of current monitoring units near airports. This work presents a computational model for aircraft classification based on feature extraction of the recorded signal during take-off and an artificial neural model for classification, allowing its use in environmental noise monitoring systems for planning and management of noise near airports. Aircraft take-off signals are acquired at 25 kHz at 24 bits with a length of 24 seconds. Subsequently, 96 features are obtained through 1/24 octave analysis and 40 features by Mel-frequency cepstral coefficients (MFCC). Aircraft classification is performed by using two parallel neural networks, the first network is trained with octave features, the second is trained with MFCC features, and a decision-making module interconnecting the outputs of both networks. The aircrafts are clustered into classes depending on installed engine type. This model has 13 aircraft classes and a classification accuracy of