具体实施方式

下面结合附图，给出本发明的较佳实施例，并予以详细描述。

如图1所示，本发明，即基于人工智能技术的民航管制语音识别系统，其包括：音频切分模块1、人工智能语音识别模块2、语音指令修正模块3、人工审核模块4、语音意图识别模块5以及管制指令评估模块6。

音频切分模块1用于接收外部输入的管制语音数据，分析、切分成便于人工智能识别模块处理的子数据，外部输入的管制语音数据包括：人工录制的语音数据以及塔台实时采集的语音信号数据。

音频切分模块1在接收到上述管制语音数据后，需要对这些数据进行切分处理，通过对输入的音频进行解析，通过每帧采样点以及每秒采样率来确定音频帧的帧长度。确定帧长度之后，通过相关算法对音频数据进行数据保护以及精准切分。最终输出可用于逐个解析的音频子数据。

人工智能语音识别模块2接收由音频切分模块处理生成的子数据，通过对子数据的逐个解析拼合，完成对管制指令的识别。具体来说：

人工智能语音识别模块是整个语音识别系统的核心，负责识别语音并将其转化为文字序列。在识别过程中，语音作为数据输入，从音频形式转换为语谱图的形式传入引擎。数据首先经过语音特征提取模块，该模块由多层卷积神经网络组成，可以提取不同层次的音频特征，同时大幅压缩数据和参数量，提高训练效率并防止参数过拟合。随后，数据进入序列学习模块，该模块由四层双向门控循环单元组成，具有模拟人类记忆系统的功能，能够控制不同时刻状态信息的记忆与遗忘程度，从而实现语言序列的学习。最后，数据进入三层全连接层进行分类学习与决策，并由连接时序分类（CTC）模块计算得到概率最大的一条输出序列，即语音的识别结果。

由于语音数据集大，训练时间长，因此使用GPU集群进行训练，在一周时间内即可训练得到初步可用的语音识别模型。随着GPU数量的增加还可以进一步大幅缩减训练时间。该模块还可以在工作过程中进行增量训练，不断优化模型，提高识别准确率。

语音指令修正模块3接收已经完成识别处理的管制指令，结合外部接收到的数据信息对指令进行修正。具体来说：

语音指令修正模块在接收到已经初步处理完成的指令后将会根据外部系统获取到的航班相关信息（包括航空器的机型、航班号、二次代码、起飞机场、落地机场、起飞时刻、航班状态信息、飞行高度），通过比对指令中所述的航班信息与实际系统中的航班信息计划、状态是否匹配来对人工智能语音识别模块生成的初步识别结果做数据校验，当发现识别到的指令与实际情况不符的情况时，会根据实际数据对识别结果进行修正。

人工审核模块4接收到的系统无法识别的管制指令进行人工介入，人工对管制指令进行审核。具体来说：

管制指令的规范十分繁琐，标准说法有很多需要注意的地方，各个地区也有不同的标准要求。因此，即使是专业的管制人员也很难做好每一条规则。该模块会对多种不规范的用语习惯，包括过于口语化的指令、关键字顺序不当的用语、复诵不完整等情况进行识别，也会实时通过对平静时间的强度进行分析，进而实现对噪音强度的检测。当发生人工智能语音识别模块无法正常进行初步语音识别的情况时，可以通过人工介入的方法进行人工识别，以保证语音识别的正确率。

语音意图识别模块5根据管制语音内容判断其当前所处的管制场景，并推断其接下来可能的管制意图。具体来说：

飞机在空域飞行过程中有着严格的飞行流程和对话规范，因此可以根据管制语音内容判断其当前所处的管制场景，并推断其接下来可能的管制意图。据此可以建立场景推理子系统，其核心在于建立完备的空管管制场景库。管制场景库的格式为树形结构，每个节点为可能的对话。如在飞机的“修改高度”场景中，固定对话格式为：“管制员：南方3547，上高度拐八保持。机组：上高度拐八保持，南方3547。”在这个例子中，“修改高度”的对话模式相对固定，可以作为一个树结构管制场景库中的一个结点。通过对话的术语可以确定航班当前所处的场景，比如航班正在滑行、进出机位，管制进行频率移交或者应答机识别。有的场景根据实际情况存在若干种不同的对话，在场景库中表现为若干个并列的结点，并根据统计结果给定每个并列结点相应的概率。在使用过程中，将管制语音识别结果在管制场景库中进行搜索与计算，不仅可以获得当前的管制场景，还可以预测下一阶段的管制意图。

管制指令评估模块6对生成的管制意图结果数据进行评估校验，确定管制指令的正确性。具体来说：

管制指令评估模块主要是将最终生成的意图结果数据与实际情况进行对比来评估当前管制指令是否正确。目前管制指令偏差导致的人为失误大致可分为五类：跑道防侵入、指令安全检查、脱波检查、误领指令检查和疲劳告警功能。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。