多旋翼无人机声学检测：融合手工特征与预训练嵌入

引言：无人机检测的声学路径与评估陷阱

小型多旋翼无人机飞行时会产生独特的声学特征，麦克风阵列能以极低成本实现被动探测。公开基准测试中常报告极高的识别准确率，但这些结果往往建立在随机划分的数据集上——同一段长录音的片段可能同时出现在训练集和测试集，导致数据泄漏和性能虚高。一篇新研究以DroneAudioDataset为对象，系统揭示了这一评估偏差的严重性，并提出融合手工声学描述符与预训练YAMNet嵌入的堆叠集成方案，在严格的源不相交协议下取得了稳健的检测性能。

数据集与评估协议：泄漏感知的源不相交设计

DroneAudioDataset包含11,704个一秒音频片段，其中1,332个无人机片段来自7段录音切分出的257个五秒块，非无人机片段中96.4%源自ESC-50声音数据集。研究对比了两种划分方式：随机切分和分组源不相交协议（五折、三次重复）。后者确保同一原始录音的片段不会跨训练/测试集出现，从而杜绝数据泄漏。实验表明，随机划分将四个模型的准确率夸大了1.89至3.22个百分点——这一差距在基准比较中足以误导模型选型。

数据泄漏与源不相交协议

在机器学习评估中，数据泄漏指训练集与测试集之间存在信息重叠，导致模型在测试时“见过”本应未见的数据，从而高估泛化性能。对于音频数据集，常见的泄漏形式是同一段长录音被切分成多个短片段后，随机分配到训练集和测试集，模型可以轻易记住录音特有的背景噪声或信道特征。源不相交协议（source-disjoint protocol）要求以原始录音（源）为最小单位划分数据，确保同一源的所有片段只出现在一个集合中。分组五折交叉验证是常见实现：将源随机分为五组，每次取一组作为测试集，其余四组训练，重复多次以评估稳定性。这种设计能更真实地模拟模型面对全新录音环境时的表现。

特征工程：手工描述符与预训练嵌入的互补

每个片段被两种方式描述：一是57个手工声学描述符，经最小冗余最大相关（mRMR）与ReliefF混合选择或NSGA-II多目标搜索进行降维；二是预训练YAMNet网络输出的1024维嵌入。随机森林和XGBoost分别在两种视图上训练，再通过堆叠集成融合。混合选择用16至18个特征就匹配了全部44个基线描述符的准确率，NSGA-II则保留4至6个特征但精度略低。这说明精心选择的少量手工特征已能捕捉大部分判别信息，而YAMNet嵌入提供了额外的语义补充。

mRMR与ReliefF特征选择

最小冗余最大相关（mRMR）是一种过滤式特征选择方法，它同时优化两个目标：最大化特征与类别标签之间的互信息（相关性），并最小化特征之间的互信息（冗余性）。ReliefF则是一种基于实例的权重算法，通过随机选取样本并比较其近邻，评估特征区分不同类别的能力。将两者结合（混合选择）可以兼顾相关性与冗余性，得到更紧凑且信息丰富的特征子集。NSGA-II（非支配排序遗传算法II）是一种多目标优化算法，可同时优化特征数量和分类错误率，产生一组帕累托最优解供权衡选择。这些方法有助于在保持判别力的同时降低特征维度，提升模型效率和可解释性。

性能结果：稳定提升与计算代价

在分组协议下，双视图堆叠模型达到平均准确率95.29%（15个测试折上标准差1.62个百分点），特异性98.29%，ROC曲线下面积0.990，并将98.78%的未见ESC-50源片段正确归类为非无人机。加入YAMNet嵌入使手工视图的准确率提升1.11个百分点，且在15折中的12折上表现更优——增益虽小但方向一致。计算成本方面，单CPU线程下每片段推理耗时51.0毫秒，满足实时检测需求。

堆叠集成与YAMNet嵌入

堆叠集成（stacking ensemble）是一种模型融合策略，它训练一个元学习器来整合多个基模型的预测。在本研究中，手工特征视图（经特征选择后）和YAMNet嵌入视图分别由随机森林和XGBoost训练，元学习器（通常为逻辑回归或简单模型）学习如何加权或组合这些基模型的输出，以提升最终性能。YAMNet是Google基于AudioSet预训练的音频事件分类网络，其1024维嵌入层输出能捕捉丰富的声学语义信息，即便未针对无人机数据微调，也能提供互补的表示。这种双视图堆叠允许模型同时利用手工特征的简洁性和深度嵌入的语义性，在适度增加计算成本下获得稳定提升。

结论与启示

该研究传递两个关键信号：其一，在DroneAudioDataset这类由少量长录音衍生的数据集上，必须采用源不相交评估才能获得公平基准，否则随机划分会系统性高估性能；其二，手工声学特征与预训练嵌入的融合以适度计算代价换来稳定的小幅提升，这种互补策略值得在嵌入式声学监测系统中推广。对于实际部署，研究建议优先保证评估协议的严谨性，再追求模型复杂度的增加。