一、机动车声信号特征提取方法及在目标识别中的应用（论文文献综述）
刘杨[1]（2021）在《基于声信号的机动车发动机故障检测算法研究及系统实现》文中研究表明随着全国机动车保有量的不断增加,驾车出行已经成为人们最主要的外出方式,为了安全出行,对机动车发动机进行故障检测具有重要意义的。然而传统的故障检测方法不仅需要专业的先验知识,并且检测效率低下。随着深度学习在图像、语音识别等领域应用越来越广泛,这给机动车发动机故障自动检测提供了一种新的思路。本文利用深度卷积网络对基于机动车发动机声信号的故障检测算法开展研究,同时设计和实现集采集、传输、分析于一体的故障检测系统,主要研究工作及成果如下:（1）构建了一个机动车发动机声信号数据集,该数据集包括101台大型运输车的正常和故障发动机的声信号,其中正常发动机数据包括怠速和加速两种情形下采集的声信号,故障发动机数据包括缺一个缸和两个缸不工作情形下采集的声信号。对声信号进行预加重、分帧以及加窗等预处理后,通过梅尔倒谱变换来提取声信号的梅尔倒谱系数（Melscale Frequency Cepstral Coefficients,MFCC）特征;同时为了验证网络的鲁棒性,通过切割、加噪、调音等处理对声信号进行数据增强。（2）给出了一种基于门控双卷积神经网络的机动车发动机故障检测算法。为了在梅尔频谱图中提取发动机声信号故障辨识性的特征并精确实现故障识别,本文在门控卷积神经网络（Gated CNN）基础上设计了门控双卷积网络,通过添加卷积模块和门控单元对特征信息传递过程加以控制,能够更好地保留发动机声信号特征中的时频结构信息,进而有效缓解过拟合现象并提升识别准确率。利用所构建的机动车发动机声信号数据集进行实验,对正常和有故障声信号的识别准确率最高达到了99.9%;对怠速与加速情况下的故障类型识别时准确率达到了90%以上,通过对数据集添加噪声和音频调音后的故障类型识别时仍然能取得较高的识别率,表明该算法具有较好的鲁棒性,能够为基于声信号的故障检测提供理论依据和技术支撑。（3）在所提出算法的基础上,设计实现了一个基于声信号的机动车发动机故障检测系统。该系统包括采集终端、数据库管理平台以及深度学习模型及故障诊断模块。采集终端通过采集机动车发动机声信号,一方面将其传输至服务器端,另一方面对其进行MFCC特征提取,利用载入的深度学习模型对发动机进行故障诊断,并显示声信号时域图、频域图、梅尔谱图以及识别结果。服务器端数据库管理平台的功能为对采集数据进行添加、查找和删除等基本操作,同时将接受数据统一命名进行管理。深度学习模型及故障诊断模块分为两部分,一方面构建深度学习模型,利用接收到的声信号数据进行模型训练,然后将该模型下载至采集终端;另一方面在服务器端通过训练后的深度学习模型对实时接收的声信号进行故障诊断。
李雪峥[2]（2020）在《用于汽车鸣笛监测的鸣笛车辆识别与定位系统设计》文中研究指明近年来,我国的机动车辆迅速增加,交通噪声污染日益严重,汽车违章鸣笛对人们的日常生活的影响越来越大。将声音识别技术和声源定位技术应用到交通执法过程中,加强对违章鸣笛车辆的监管,具有十分重要的意义。本研究的主要目的是实现对违章鸣笛车辆的自动监测。本文以车辆鸣笛违章取证为目标,完成的主要工作如下:1)设计并搭建了鸣笛车辆识别系统。该系统应用声音识别技术,通过采集的车辆笛声,识别出违章鸣笛车辆车型,并生成记录文档,作为车辆违章鸣笛的辅助判断信息。2)设计并搭建了鸣笛车辆定位系统。该系统应用了声源定位技术,可以定位鸣笛车辆的位置坐标,生成叠加声学定位的抓拍图片,结合鸣笛车辆识别系统记录的车型信息,为交管部门执法提供依据。本文设计的鸣笛车辆识别系统可以实时识别目标区域内鸣笛车辆车型。本设计将汽车笛声作为目标声源,以汽车喇叭的发声原理作为切入点,收集了一些市面上常见车型的鸣笛声,并以此建立了包含14种车型的汽车笛声实验样本库。鸣笛车辆识别系统采用了近年来发展迅速的声音识别技术,由于监测现场存在汽车引擎声、虫鸣声和气流声等复杂的环境噪音,这些噪音会对识别过程造成一定的影响,因此在对汽车笛声信号进行识别之前,首先对对现场接收到的汽车笛声信号进行预处理,预处理包括信号增强、预加重、分帧和加窗、端点检测四个步骤,预处理后计算汽车笛声信号的声音特征,提取特征参数,最后将提取好的特征参数输入模型库进行匹配,确定鸣笛车辆车型。系统设计完成后对进行了相应的实验分析,结果表明,鸣笛车辆识别系统的识别率可以达到96%以上。本文设计的鸣笛车辆定位系统可以定位目标区域内鸣笛车辆坐标,该系统采用了基于传声器阵列的声源定位技术。设计过程中分析了声源信号定位模型,研究了现有的几种基于传声器阵列的声源定位算法,在对比几种定位算法的工作原理、使用范围基础上,决定采用基于相位变换加权的可控响应功率算法（Steered Response Power-Phase Transform,SRP-PHAT）作为汽车笛声定位算法。传声器阵列设计过程中,在对比分析常用传声器阵直线、平面和立体布局结构的优缺点基础上,选择采用了平面阿基米德螺旋形排布传声器阵列布局方式。最后遴选出合适的模数转换模块和数据处理模块,设计出完整的鸣笛车辆定位系统。设计完成的样机在保定市腾飞路与凤栖街交叉口交通设备安装横杆上进行了现场试验,测试结果表明,传声器阵列前方40 m以内路面的鸣笛声源定位误差≤0.23 m,对小型汽车在白天和夜间进行测试,均可准确区分出鸣笛车辆,达到了实际应用的要求。
孙鸿宇[3]（2020）在《基于声信号同步液压马达故障诊断方法及试验研究》文中认为同步液压马达经常工作于高负载条件下,对其进行在线故障监测可有效避免严重安全事故和经济损失。在实际工程应用中,信号处理和诊断过程是在线故障诊断的重要组成部分。作为非接触式采集信号,声学信号比振动信号更容易采集,因此提出了一种基于声信号的同步液压马达故障自动诊断方法。该方法包括基于位错叠加法（DSM）的声信号自动降噪方法（NRDSM）、基于信号特征自动提取与故障模式识别的自动故障诊断方法和同步液压马达故障诊断软、硬件系统的搭建。（1）NRDSM可以实现低信噪比同步液压马达声信号的自动降噪。首先,根据流量计获得同步液压马达的理论旋转周期。然后,根据流量计的测量精度和理论旋转周期对实际声信号进行DSM处理,利用皮尔森相关系数确定实际信号的最佳叠加长度和最佳初始位置。最后,利用设定的停止条件确定最佳叠加次数与叠加效果。（2）同步液压马达自动故障诊断方法可以实现信号特征的提取与诊断。其中利用皮尔森相关系数确定降噪信号的最佳小波包频率尺度范围与最佳分解层数,从而实现信号特征的自动提取。最后,使用K最近邻（KNN）分类器完成故障诊断过程。（3）以齿轮式同步液压马达为研究对象设计并搭建了同步液压马达试验台。结合数据采集卡、声传感器、流量计及计算机等组成了同步液压马达故障诊断系统硬件部分。基于LabVIEW与MATLAB的联合编程实现了同步液压马达实时故障诊断平台的设计与搭建。根据试验结果,NRDSM对同步液压马达正常运行、齿轮磨损、齿轮生锈和端盖磨损状态的声信号具有良好的降噪效果;所提出的信号特征自动故障诊断方法可对同步液压马达不同运行状态的声信号实现准确识别,并具有一定的抗干扰能力。
张玉欣[4]（2020）在《声信号的分解方法及其在车型分类中的应用研究》文中研究表明随着智能交通系统的快速发展,基于车辆声信号的车型分类方法引起人们的广泛关注。车辆声信号是一种时变非平稳的随机信号,若是直接以声信号作为训练样本,那么需要训练的数据量将会十分庞大,对系统的计算和存储能力要求较高。为了适应需求,需对声信号进行特征提取,提取的特征参数应尽可能完全、准确地表达声信号携带的信息。不同的特征参数由于识别性能和抗噪性能的差异,直接影响着系统的鲁棒性。因此本文研究了声信号的分解方法以及深度学习模型,着重对基于ConvBiLSTM模型的车型分类方法进行研究。主要研究内容如下:1)提出改进基于ICA的车辆声信号特征提取方法针对MFCC计算过程中的离散余弦变换为纯粹的数学计算,经过DCT后得到的特征参数与实际信号无关,且DCT只能部分去相关,导致MFCC对带噪声信号表现较差的问题,本文提出改进基于ICA的车辆声信号特征提取方法。用基于负熵最大化的FastICA算法代替MFCC中的DCT,分解出车辆声信号的基函数和特征参数。由于ICA需要使用大量的样本信号对其模型进行训练,因此可以充分适应样本信号的特点,特征表达能力更强,从而提高系统的识别率和鲁棒性。2)提出改进基于LSTM、1D-CNN的车型分类方法将LSTM、CNN模型引入到智能交通领域的车型分类中来,根据本文车辆声信号的特点及实际分类需求,构造并优化相关网络结构及超参数,实现基于LSTM、BiLSTM以及1D-CNN的车型分类。实验表明:针对本文提出改进的ICA特征提取方法制作的数据集,当迭代200次时,LSTM、BiLSTM以及1D-CNN在测试集上的车型分类准确率分别为90.9%、92.5%、93.1%,较MFCC方法至少提高了4%。3)提出改进基于ConvBiLSTM模型的车型分类方法针对FC-LSTM未考虑特征的空间相关性,无法提取空间特征的问题,本文将Conv LSTM模型引入到基于车辆声信号的车型分类中。Conv LSTM既结合了CNN提取空间特征能力的优点,又兼顾了LSTM可以访问时序信号先验知识的特性。在对Conv LSTM模型进行理论研究的基础上,根据本文车辆声信号的特点,将其改进为ConvBiLSTM模型。该模型将Conv LSTM分别从正向和反向依次扫描数据提取特征,然后将提取的特征进行堆叠,从而保证特征提取的有效性。实验表明:ConvBiLSTM模型性能最优,在分类准确率方面ConvBiLSTM>1D-CNN>BiLSTM;在收敛速度方面ConvBiLSTM>BiLSTM>1D-CNN。
齐晓轩,都丽,张国山[5]（2020）在《小波包近似熵特征的机动车声识别方法》文中认为为了提高复杂背景噪声环境下的车型识别准确性,该文基于近似熵理论,对机动车行驶中辐射的声信号进行了研究。近似熵具有抗干扰能力强的特点,可用于提取动态背景噪声下机动车声信号的车型特征信息。首先,对声信号进行3层小波包分解;然后,利用近似熵量化第3层上各子频带信号的不规则性,描述各频带之间不同的变化趋势并作为目标车辆的声特征。为了提高分类有效性,将分解后的8个子频带信号的近似熵邻比值作为信号的特征向量,并基于支持向量机分类器实现了车型识别。分别在正常和有风两种气候条件下进行了实验,基于小波包近似熵的车型特征均获得了较为理想的分类精度。实验结果显示,小波包近似熵特征能有效地应用于机动车的声识别且对气候的影响具有一定的鲁棒性。
李伟,李硕[6]（2019）在《理解数字声音——基于一般音频/环境声的计算机听觉综述》文中认为声音是人类获取信息的重要来源,对声音内容进行自动分析和理解具有重要意义.本文介绍声音的基本知识,从信号、听觉感受、声音特性等3个角度对声音进行分类,阐明各个分类之间的关系,明确基于一般音频/环境声的计算机听觉技术的研究对象和学科位置.之后,介绍计算机听觉技术的基本概念、原理、研究课题和技术框架.作者全面总结了计算机听觉技术在各个领域中:包括医疗卫生,安全保护,交通运输、仓储,制造业,农、林、牧、渔业,水利、环境和公共设施管理业,建筑业,其他采矿业、日常生活、身份识别、军事等的典型应用.分类总结了各领域计算机听觉应用中现有典型文献的基本原理、技术路线.最后总结计算机听觉领域存在的各方面问题,并展望未来发展趋势.
梁力[7]（2019）在《基于声谱模式识别技术的智能井盖防盗损监测系统研究》文中研究说明井盖承担着保障井下设施完善和保护井上行人和车辆安全的重要角色,然而近几年来偷盗和损坏窨井盖的现象时有发生,盗损窨井盖不仅严重威胁过往行人和车辆的生命财产安全,而且属于破坏公共财产的违法行为。智能井盖作为智慧市政架构中重要的一员,它的应用虽能在一定程度上抑制盗损现象的发生,但其采用的振动传感器不能有效地分辨行人和车辆引起的正常振动和遭受盗损时产生的非正常振动,极易产生误报警现象。通过观察,窨井盖在两种振动状态下产生的声音有所不同,因此利用声音的差异对窨井盖盗损情况进行监测识别具有可行性。本文根据声音识别技术原理,先分析声音信号可提取的特征参量类型,结合物联网系统实时性、准确性和易于硬件实现的要求进行比较,选取合适的特征参数,并选择3层筛选的方法对声音信号进行识别;同理基于上述要求比较现有的识别算法,根据所选算法的不足结合物联网的要求提出改进方案。最后在选定特征参数和识别算法后,设计物联网声音识别防盗损监测系统,通过实验验证整个监测平台的功能性和准确性。本研究的主要工作如下:1)从识别率、识别速度、提取难易程度和是否便于硬件实现等要求比较声音信号可提取的特征参量,最终选用响度、频率和音色进行窨井盖声音识别;选用3步筛选法进行声音识别不仅能保证识别准确度,而且极大地节省了识别的时间;2)传统DTW算法应用刁于声音识别存在着识别率不够高和识别速度不够快的不足,本文提出通过增加模板数量、增设失真度阈值和改进失真度对比策略来提高DTW算法的识别准确度和识别速度;3)设计了基于声音识别技术的智能井盖防盗损监测系统,系统以STM32平台为核心,搭配使用分贝检测模块、音频模块和无线传输模块;软件以LabVIEW图形化编程环境作为开发平台,编写了人机交互控制界面,其设计的主要功能包括参数设置、数据实时采集和存储,提取特征参数和模式识别部分则调用MATLAB软件进行处理;由于传统智能井盖不能有效地分辨正常振动和非正常振动,本文基于两者振动声音的差异利用声音识别的方法解决该问题。本文利用响度、频率和音色作为特征参量进行3层声音筛选识别,在音色识别部分采用DTW算法进行判别,并设计制作了物联网智能井盖声信号识别防盗损监测系统,实验证明该系统能实现声音识别的目标,能基本满足窨井盖防盗损的应用要求,可为其他基于声音识别技术的智能市政和安防系统提供一定的数据参考和技术支撑。
龚中良,梁力,杨张鹏,游江辉,蔡宇,刘寒霜[8]（2019）在《基于声信号处理的窨井盖盗毁检测方法》文中认为为遏制偷盗和毁坏窨井盖行为,提出一种利用声信号对窨井盖偷盗和毁坏进行检测的方法。因不同声信号的能量基于频率的分布存在差异,将窨井盖产生的振动声信号进行FFT变换,将变换后的频谱转化为能量谱,利用统计方法确定窨井盖振动声信号能量在频率上的特征分布区间和分布阈值,计算其他干扰声信号的20个最大能量点在该特征区间的概率分布数并与阈值对比,判断窨井盖的振动声是否是遭受盗毁时敲击引起的。实验结果显示:窨井盖敲击声的能量分布与其他声信号具有明显不同,其能量分布的特征频率为48～504 Hz,分布阈值为85%。该方法能够有效识别盗毁窨井盖声音,且在一定信噪比环境下具有较强鲁棒性。
王万凯[9]（2018）在《STFT-LLE流形学习方法及其在运动声特征提取中的应用研究》文中研究说明随着城市化进程加快,城市交通噪声污染越来越突出,已成为亟待解决的社会问题。交通噪声因声信号时变性、叠加性和空时耦合性强,声数据呈现高维、非线性等特点,使得关键声特征提取困难,声特征提取方法复杂度高、数值计算量大、有效性差。因此,如何有效提取声特征并降低提取方法复杂度成为目前多源声场声源精准识别迫切解决的关键科学问题。由此,本文提出短时傅里叶变换（STFT）和局部线性嵌入算法（LLE）联合的STFT-LLE流形学习声特征提取方法,并将此方法应用于运动声特征提取,且通过数值仿真和实验测试对关键算法及核心方法进行了验证。该论文选题源于国家自然科学基金面上项目（61671262、61871447）。论文主要研究工作如下:（1）在深入研究流形学习算法和亚音速运动声特征的基础上,提出了将局部线性嵌入算法（LLE）作为运动声特征提取的核心流形学习算法,并详细探讨了影响流形结构特征的关键因素以及高维特征矩阵的构建方法。（2）提出了采用短时傅里叶变换（STFT）作为声特征提取的第一步,提取结果作为LLE算法输入向量来构建LLE算法的高维特征矩阵,解决该算法中高维特征矩阵构建难题。进一步融合STFT和LLE算法形成STFT-LLE流形学习方法,进行声特征流形学习,并给出该方法的具体实现流程。（3）采用数值仿真对STFT-LLE流形学习方法的声特征提取进行研究。以多种马赫数小于1的匀速直线运动声信号为对象,应用该方法进行运动声特征提取,明确STFT-LLE方法在运动声特征提取中的关键算法的可行性。（4）采用实验测试对STFT-LLE流形学习方法及其运动声特征提取有效性进行实验分析和理论验证。针对采集的轿车（凯越1.6LX-MT）和摩托车（美达威XB125T-11F）声信号,通过4种联合特征提取方法（PSR-PCA、PSR-LLE、STFT-PCA、STFT-LLE）进行声特征提取并将各特征向量送入支持向量机（SVM）分类器。车辆识别实验验证了STFT-LLE流形学习方法的有效性。
郭俊峰[10]（2018）在《基于麦克风阵列的小型无人机侦测及定位方案设计》文中研究表明低空飞行器技术的发展使得小型无人机得到了广泛的应用,但是其滥用也给公共安全带来了严重威胁。小型无人机飞行高度低,飞行速度慢,体积较小,雷达反射面积不明显,成为了低空侦测和防范的难点。本文针对小型无人机的反制设计了一种基于声信号的小型无人机侦测及定位技术方案。在小型无人机侦测识别部分,本文将MFCC特征提取技术用于小型低空飞行器声信号的特征提取,并针对螺旋桨驱动类的小型低空飞行器具有稳定强谐波的特性,对MFCC特征提取技术中使用的梅尔滤波器进行改进。通过对此类谐波处的线性频谱与梅尔谱的转换曲线斜率进行投影替换,提高滤波器对该谐波处信号的感知敏感度,然后使用高斯混合模型设计识别器,最后使用MFCC-GMM识别方法对小型无人机进行识别仿真。仿真结果表明,使用改进的MFCC方法进行小型无人机的侦测识别时,能够获得更好的识别效果。在小型无人机方向定位部分,本文首先建立了小型无人机声信号的远场阵列信号模型,并着重研究了基于SRP-PHAT的定位方法。针对SRP-PHAT方法全局扫描计算量过大的问题,本文在降维搜索的基础上对搜索策略进行改进,利用上一层扫描中的历史数据降低SRP-PHAT函数的计算次数。对于非降维搜索策略,本文将声源在空间的稀疏分布特性与基于SRP-PHAT的SRC定位方法相结合,使用空间点与麦克风对之间的时延差响应构建基于空间稀疏性的声源定位模型,仿真结果表明,改进的二分搜索方法可以进一步减少定位所需的计算量,而CSP-SRC方法能够得到更高的定位精度。在小型无人机的方向跟踪部分,本文分析了螺旋桨驱动类小型无人机声信号的发声机理以及声信号的频谱特征,针对小型无人机声信号频谱包络具有稳定性的特点,提出基于频谱包络MMSE准则的SE-LMS自适应波束形成跟踪方法,该方法通过寻求参考频谱包络与阵列输出频谱包络之间的最小均方误差来确定阵列权重,并使用梯度下降法进行阵列权重的迭代更新。仿真结果表明,该方法能够对小型无人机目标进行有效的方向跟踪。
二、机动车声信号特征提取方法及在目标识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、机动车声信号特征提取方法及在目标识别中的应用（论文提纲范文）
（1）基于声信号的机动车发动机故障检测算法研究及系统实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统故障检测研究方法 |
| 1.2.2 深度学习故障检测方法 |
| 1.3 故障检测目前主要面临的难点 |
| 1.4 论文的主要研究内容和结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构安排 |
| 第二章 机动车发动机声信号预处理 |
| 2.1 数据获取 |
| 2.2 MFCC特征提取 |
| 2.3 数据增强 |
| 2.4 本章小结 |
| 第三章 基于门控卷积神经网络的机动车发动机故障检测算法 |
| 3.1 卷积神经网络 |
| 3.1.1 CNN简述 |
| 3.1.2 神经元和激活函数 |
| 3.1.3 前向传播和反向传播 |
| 3.2 门控卷积神经网络 |
| 3.3 机动车发动机故障检测步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 正常与故障发动机声信号检测 |
| 3.4.2 发动机故障种类检测 |
| 3.4.3 添加噪声和音频调音数据集 |
| 3.4.4 限制训练数据量 |
| 3.5 本章小结 |
| 第四章 机动车发动机故障检测系统设计 |
| 4.1 系统总体设计 |
| 4.2 采集终端设计 |
| 4.2.1 采集模块设计 |
| 4.2.2 传输模块设计 |
| 4.2.3 处理模块设计 |
| 4.2.4 显示模块设计 |
| 4.3 数据库管理平台设计 |
| 4.4 深度学习模型及故障诊断模块设计 |
| 4.5 本章小结 |
| 第五章 机动车发动机故障检测系统实现 |
| 5.1 采集终端 |
| 5.2 数据库管理平台 |
| 5.3 深度学习故障诊断软件 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（2）用于汽车鸣笛监测的鸣笛车辆识别与定位系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声音识别技术研究现状 |
| 1.2.2 声源定位技术研究现状 |
| 1.3 研究来源及主要工作 |
| 1.4 论文结构安排 |
| 1.5 汽车鸣笛监测系统技术路线图及功能简介 |
| 第二章 鸣笛车辆识别相关技术研究 |
| 2.1 汽车笛声信号的特点 |
| 2.2 汽车笛声信号预处理 |
| 2.2.1 信号增强 |
| 2.2.2 预加重处理 |
| 2.2.3 分帧和加窗处理 |
| 2.2.4 端点检测 |
| 2.3 汽车笛声信号特征提取 |
| 2.3.1 线性预测系数(LPC) |
| 2.3.2 线性预测倒谱系数(LPCC) |
| 2.3.3 梅尔频率倒谱系数(MFCC) |
| 2.4 鸣笛车辆识别算法分析 |
| 2.4.1 GMM模型的原理 |
| 2.4.2 GMM模型参数估计 |
| 2.5 本章小结 |
| 第三章 鸣笛车辆识别系统设计 |
| 3.1 鸣笛车辆识别系统需求分析 |
| 3.1.1 需求背景 |
| 3.1.2 需求描述 |
| 3.2 汽车笛声信号采集 |
| 3.2.1 传声器的选型 |
| 3.2.2 汽车笛声信号的采集过程 |
| 3.3 鸣笛车辆识别系统基本结构 |
| 3.4 鸣笛车辆识别系统模块设计 |
| 3.4.1 预处理模块 |
| 3.4.2 特征提取模块 |
| 3.4.3 笛声识别模块 |
| 3.5 测试与实验分析 |
| 3.5.1 识别率的概念及计算方法 |
| 3.5.2 不同笛声训练样本数量测试 |
| 3.5.3 不同笛声训练样本时长测试 |
| 3.5.4 鸣笛车辆识别系统测试 |
| 3.6 本章小结 |
| 第四章 基于传声器阵列的声源定位技术研究 |
| 4.1 传声器阵列信号模型分析 |
| 4.1.1 远场模型和近场模型 |
| 4.1.2 理想环境模型和实际环境型 |
| 4.2 基于传声器阵列的声源定位算法研究 |
| 4.2.1 时延估计算法 |
| 4.2.2 可控波束形成算法 |
| 4.3 本章小结 |
| 第五章 鸣笛车辆定位系统设计 |
| 5.1 鸣笛车辆定位系统需求及结构设计 |
| 5.1.1 需求分析 |
| 5.1.2 总体结构设计 |
| 5.2 传声器阵列设计 |
| 5.2.1 传声器阵列的布局结构设计 |
| 5.2.2 传声器阵列阵元间距的确定 |
| 5.2.3 传声器阵列阵元坐标位置的计算 |
| 5.3 模数转换模块设计 |
| 5.4 数据处理模块设计 |
| 5.5 鸣笛车辆定位效果测试 |
| 5.6 人机交互界面及抓拍数据记录系统 |
| 5.6.1 人机交互界面展示 |
| 5.6.2 抓拍数据记录系统 |
| 5.7 本章小结 |
| 第六章 总结 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
| 致谢 |
（3）基于声信号同步液压马达故障诊断方法及试验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 声信号处理方法介绍 |
| 1.3 国内外研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 本论文的主要研究内容 |
| 2 同步液压马达声信号自动降噪方法研究 |
| 2.1 基于RDT的DSM的信号处理技术 |
| 2.2 基于改进DSM的声信号自适应降噪方法研究 |
| 2.2.1 准周期信号中影响DSM处理效果的因素 |
| 2.2.2 同步液压马达声信号自动降噪方法 |
| 2.2.3 关于算法内参数值的说明 |
| 2.3 本章小结 |
| 3 同步液压马达自动故障诊断方法研究 |
| 3.1 小波包能量特征 |
| 3.2 基于小波包能量的特征自动提取方法研究 |
| 3.2.1 影响小波包能量特征的因素 |
| 3.2.2 小波包能量特征自动提取方法 |
| 3.3 KNN分类器 |
| 3.4 本章小结 |
| 4 同步液压马达声信号故障诊断系统设计 |
| 4.1 试验台硬件系统搭建 |
| 4.2 基于软件的故障诊断平台设计 |
| 4.2.1 声信号采集及降噪模块 |
| 4.2.2 信号特征提取模块 |
| 4.2.3 故障模式识别模块 |
| 4.3 本章小结 |
| 5 试验处理结果与分析 |
| 5.1 基于NRDSM的同步液压马达声信号降噪 |
| 5.1.1 正常运行状态同步液压马达声信号降噪 |
| 5.1.2 三种故障状态同步液压马达声信号降噪 |
| 5.2 NRDSM精度及对比分析 |
| 5.2.1 NRDSM精度分析 |
| 5.2.2 NRDSM与其他降噪方法的效果对比 |
| 5.3 小波包能量特征自动提取 |
| 5.4 基于KNN分类器的同步液压马达声信号故障诊断 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（4）声信号的分解方法及其在车型分类中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 声信号分解方法的研究现状 |
| 1.2.2 车型分类的研究现状 |
| 1.3 论文主要研究内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文组织结构 |
| 第二章 车辆声信号特性分析及处理 |
| 2.1 引言 |
| 2.2 车辆声信号采集与分析 |
| 2.2.1 车辆声信号的采集 |
| 2.2.2 车辆声信号特点分析 |
| 2.3 车辆声信号处理 |
| 2.3.1 车辆声信号预处理 |
| 2.3.2 基于MFCC的车辆声信号特征提取 |
| 2.4 本章小结 |
| 第三章 基于ICA的车辆声信号分解方法研究 |
| 3.1 引言 |
| 3.2 ICA基本理论 |
| 3.2.1 ICA的数学模型 |
| 3.2.2 ICA的假设和约束 |
| 3.2.3 数据预处理 |
| 3.3 基于负熵最大化的FastICA算法 |
| 3.3.1 目标函数——负熵 |
| 3.3.2 优化算法——固定点算法 |
| 3.4 基于ICA的车辆声信号的分解 |
| 3.4.1 基于FastICA的车辆声信号特征提取 |
| 3.4.2 特征选择 |
| 3.5 实验和结果分析 |
| 3.6 本章小结 |
| 第四章 车型分类模型及改进 |
| 4.1 引言 |
| 4.2 长短期记忆网络(LSTM) |
| 4.2.1 LSTM模型结构 |
| 4.2.2 LSTM原理及计算过程 |
| 4.2.3 双向长短期记忆网络(BiLSTM) |
| 4.3 卷积神经网络(CNN) |
| 4.3.1 卷积层(Convolutional layer) |
| 4.3.2 池化层(Pooling Layer) |
| 4.3.3 全连接层(Full Connection Layer) |
| 4.3.4 激活函数(Activation Function) |
| 4.4 网络模型优化 |
| 4.4.1 目标函数优化 |
| 4.4.2 防过拟合策略 |
| 4.5 ConvLSTM及改进 |
| 4.5.1 ConvLSTM模型 |
| 4.5.2 改进的ConvLSTM模型 |
| 4.6 本章小结 |
| 第五章 车型分类实验 |
| 5.1 实验数据集和实验平台简介 |
| 5.1.1 实验数据集 |
| 5.1.2 实验平台简介 |
| 5.2 实验评价指标 |
| 5.3 车型分类实验模型构建的基本思路 |
| 5.4 基于LSTM的车型分类实验 |
| 5.4.1 实验内容 |
| 5.4.2 LSTM网络模型的构建与参数设置 |
| 5.4.3 实验结果与分析 |
| 5.5 基于1D-CNN的车型分类实验 |
| 5.5.1 实验内容 |
| 5.5.2 1D-CNN网络模型的构建与参数设置 |
| 5.5.3 实验结果与分析 |
| 5.6 基于ConvBiLSTM的车型分类实验 |
| 5.6.1 实验内容 |
| 5.6.2 ConvBiLSTM网络模型的构建与参数设置 |
| 5.6.3 实验与结果分析 |
| 5.7 基于KNN的车型分类实验 |
| 5.8 综合分析及结论 |
| 5.9 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）小波包近似熵特征的机动车声识别方法（论文提纲范文）
| 1 基本理论 |
| 1.1 WPD分解 |
| 1.2 近似熵理论 |
| 2 基于WPD近似熵的车型声识别方法 |
| 3 工程应用实例 |
| 3.1 实验数据 |
| 3.2 特征提取 |
| 3.3 特征评估 |
| 3.4 目标识别 |
| 3.4.1 不同小波包分解条件下的车型识别对比试验 |
| 3.4.2 本文方法与其他方法的对比试验 |
| 3.4.3 抗噪性分析试验 |
| 4 结束语 |
（6）理解数字声音——基于一般音频/环境声的计算机听觉综述（论文提纲范文）
| 1 声音概述 |
| 2 计算机听觉简介 |
| 3 计算机听觉通用技术框架及典型算法 |
| 3.1 音频事件检测 |
| 3.2 音频场景识别 |
| 4 各领域基于一般音频/环境声的计算机听觉算法概述 |
| 4.1 医疗卫生 |
| 4.1.1 呼吸系统疾病 |
| 4.1.2 心脏系统疾病 |
| 4.1.3 其他相关医疗 |
| 4.2 安全保护 |
| 4.3 交通运输、仓储 |
| 4.3.1 铁路运输业 |
| 4.3.2 道路运输业 |
| 4.3.2. 1 车型及车距识别 |
| 4.3.2. 2 交通事故识别 |
| 4.3.2. 3 交通流量检测 |
| 4.3.2. 4 道路质量检测 |
| 4.3.3 水上运输业 |
| 4.3.4 航空运输业 |
| 4.3.4. 1 航空飞行器识别 |
| 4.3.4. 2 航空飞行数据分析 |
| 4.3.5 管道运输业 |
| 4.3.6 仓储业 |
| 4.4 制造业 |
| 4.4.1 铁路、船舶、航空航天和其他运输设备制造业 |
| 4.4.2 通用设备制造业 |
| 4.4.2. 1 发动机 |
| 4.4.2. 2 金属加工机械制造 |
| 4.4.2. 3 轴承、齿轮和传动部件制造 |
| 4.4.2. 4 包装专用设备制造 |
| 4.4.3 电气机械和器材制造业 |
| 4.4.4 纺织业 |
| 4.4.5 黑色及有色金属冶炼和压延加工业 |
| 4.4.6 非金属矿物制品业 |
| 4.4.7 汽车制造业 |
| 4.4.8 农副食品加工业 |
| 4.4.9 机器人制造 |
| 4.5 农、林、牧、渔业 |
| 4.5.1 农业 |
| 4.5.2 林业 |
| 4.5.3 畜牧业 |
| 4.6 水利、环境和公共设施管理业 |
| 4.6.1 水利管理业 |
| 4.6.2 生态保护和环境治理业 |
| 4.7 建筑业 |
| 4.7.1 土木工程建筑业 |
| 4.7.2 房屋建筑业 |
| 4.8 采矿业、日常生活、身份识别、军事等 |
| 4.8.1 采矿业 |
| 4.8.2 日常生活 |
| 4.8.3 身份识别 |
| 4.8.4 军事 |
| 4.8.4. 1 目标识别 |
| 4.8.4. 2 其他应用 |
| 5 总结与展望 |
（7）基于声谱模式识别技术的智能井盖防盗损监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声音识别技术的国内外研究现状 |
| 1.2.2 窨井盖防盗损技术的国内外研究现状 |
| 1.3 主要研究内容 |
| 2 声音信号特征参量的选取 |
| 2.1 窨井盖敲击声信号与语音信号的联系 |
| 2.2 声音信号的特征参量分析与选择 |
| 2.3 响度特征的提取 |
| 2.4 频率特征的提取 |
| 2.4.1 提取算法 |
| 2.4.2 能量特征分布区间的确定 |
| 2.5 音色特征的提取 |
| 2.6 本章小结 |
| 3 声音信号识别算法 |
| 3.1 识别算法的对比和选择 |
| 3.2 动态时间规整法(DTW)及其优化 |
| 3.2.1 动态时间规整法 |
| 3.2.2 算法优化 |
| 3.3 本章小结 |
| 4 智能井盖声音识别防盗损监测系统 |
| 4.1 监测系统总体设计 |
| 4.2 监测系统的硬件设计 |
| 4.2.1 硬件整体设计 |
| 4.2.2 sh-sycgq分贝检测模块 |
| 4.2.3 VS1053音频模块 |
| 4.2.4 ESP8266无线传输模块 |
| 4.2.5 STM32F103ZET6主控板 |
| 4.3 监测系统的软件设计 |
| 4.3.1 软件的整体架构 |
| 4.3.2 人工交互系统 |
| 4.3.3 参量提取-音色识别模块 |
| 4.4 本章小结 |
| 5 实验研究 |
| 5.1 功能性实验 |
| 5.1.1 实验内容 |
| 5.1.2 实验结果 |
| 5.2 准确性实验 |
| 5.2.1 实验内容 |
| 5.2.2 实验结果 |
| 5.3 算法改进验证实验 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录A (攻读学位期间的主要学术成果) |
| 致谢 |
（8）基于声信号处理的窨井盖盗毁检测方法（论文提纲范文）
| 0 前言 |
| 1 声信号的特征参数提取与分析 |
| 2 声音信号识别算法 |
| 3 有效性和鲁棒性仿真实验 |
| 3.1 算法有效性仿真实验 |
| 3.1.1 确定窨井盖敲击声概率分布数阈值DTh |
| 3.1.2 算法有效性仿真试验 |
| 3.2 算法鲁棒性仿真实验 |
| 4 结束语 |
（9）STFT-LLE流形学习方法及其在运动声特征提取中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声特征提取研究现状 |
| 1.2.2 流形学习研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 流形学习理论 |
| 2.1 流形学习基本概念 |
| 2.1.1 流形 |
| 2.1.2 流形学习 |
| 2.2 流形学习算法 |
| 2.2.1 线性流形学习算法 |
| 2.2.2 非线性流形学习算法 |
| 2.3 非线性流形学习关键问题 |
| 2.3.1 非线性流形学习算法选择 |
| 2.3.2 lle算法数学推导 |
| 2.3.3 高维特征矩阵构建 |
| 2.4 本章小结 |
| 第3章 stft-lle流形学习方法及其声特征提取 |
| 3.1 stft-lle流形学习方法 |
| 3.1.1 stft构建高维特征矩阵 |
| 3.1.2 stft-lle流形学习方法实现流程 |
| 3.2 stft-lle流形学习方法的影响因素 |
| 3.2.1 窗宽 |
| 3.2.2 最近邻点数 |
| 3.2.3 本征维数 |
| 3.3 stft-lle流形学习方法的声特征提取 |
| 3.3.1 运动声特征 |
| 3.3.2 声特征提取实现流程 |
| 3.3.3 关键因素 |
| 3.4 本章小结 |
| 第4章 stft-lle流形学习运动声特征提取仿真 |
| 4.1 仿真数据 |
| 4.2 声特征提取 |
| 4.3 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 stft-lle流形学习运动声特征提取实验测试 |
| 5.1 支持向量机 |
| 5.1.1 svm分类基本理论 |
| 5.1.2 svm核函数 |
| 5.2 地面车辆通过噪声采集 |
| 5.2.1 实验测试系统搭建 |
| 5.2.2 通过噪声数据采集 |
| 5.3 地面车辆通过噪声特征提取 |
| 5.4 基于svm分类器的地面车辆识别实验 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间论文发表及科研情况 |
| 致谢 |
| 附录 |
（10）基于麦克风阵列的小型无人机侦测及定位方案设计（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 小型无人机反制系统 |
| 1.2.2 基于声信号的无人机反制设备 |
| 1.2.3 基于声信号的目标识别技术 |
| 1.2.4 基于麦克风阵列的声源定位与跟踪技术 |
| 1.3 本文主要工作及结构安排 |
| 第2章 基于声信号的小型无人机侦测识别 |
| 2.1 声信号的特征提取方法与分类器概述 |
| 2.2 基于MFCC的特征提取方法 |
| 2.2.1 频率倒谱系数的提取步骤 |
| 2.3 改进的MFCC特征提取方法 |
| 2.3.1 小型无人机的声信号分析 |
| 2.3.2 梅尔滤波器的改进 |
| 2.4 基于高斯混合模型的无人机识别 |
| 2.4.1 高斯混合模型的基本理论 |
| 2.4.2 高斯混合模型的训练方法 |
| 2.4.3 高斯混合模型的识别方法 |
| 2.5 无人机识别仿真 |
| 2.5.1 仿真设置 |
| 2.5.2 仿真结果分析 |
| 2.6 本章小结 |
| 第3章 基于麦克风阵列的小型无人机定位 |
| 3.1 麦克风阵列的信号模型 |
| 3.1.1 远场模型与近场模型 |
| 3.1.2 无人机声信号的阵列模型 |
| 3.2 基于麦克风阵列的声源定位技术概述 |
| 3.3 基于SRP-PHAT的小型无人机定位 |
| 3.4 降维搜索策略及其改进方法 |
| 3.4.1 算法降维及二分搜索 |
| 3.4.2 复杂度分析 |
| 3.5 随机空间收缩策略及其改进 |
| 3.5.1 SRC随机空间收缩搜索方法 |
| 3.5.2 压缩感知的基本理论 |
| 3.5.3 基于空间稀疏性的方向估计模型 |
| 3.5.4 基于空间稀疏性的SRC搜索 |
| 3.6 无人机定位仿真 |
| 3.6.1 仿真参数设置 |
| 3.6.2 仿真结果分析 |
| 3.7 本章小结 |
| 第4章 基于麦克风阵列的小型无人机跟踪 |
| 4.1 声源跟踪技术概述 |
| 4.2 自适应波束形成技术 |
| 4.2.1 LMS自适应波束形成算法 |
| 4.3 LMS自适应跟踪算法 |
| 4.3.1 无人机声信号的频谱 |
| 4.3.2 声信号的频谱包络提取 |
| 4.3.3 基于频谱包络MMSE准则的LMS算法 |
| 4.4 仿真设置与结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
四、机动车声信号特征提取方法及在目标识别中的应用（论文参考文献）
- [1]基于声信号的机动车发动机故障检测算法研究及系统实现[D]. 刘杨. 安徽大学, 2021
- [2]用于汽车鸣笛监测的鸣笛车辆识别与定位系统设计[D]. 李雪峥. 河北大学, 2020(02)
- [3]基于声信号同步液压马达故障诊断方法及试验研究[D]. 孙鸿宇. 大连海事大学, 2020(03)
- [4]声信号的分解方法及其在车型分类中的应用研究[D]. 张玉欣. 重庆交通大学, 2020(01)
- [5]小波包近似熵特征的机动车声识别方法[J]. 齐晓轩,都丽,张国山. 南京理工大学学报, 2020(01)
- [6]理解数字声音——基于一般音频/环境声的计算机听觉综述[J]. 李伟,李硕. 复旦学报(自然科学版), 2019(03)
- [7]基于声谱模式识别技术的智能井盖防盗损监测系统研究[D]. 梁力. 中南林业科技大学, 2019(10)
- [8]基于声信号处理的窨井盖盗毁检测方法[J]. 龚中良,梁力,杨张鹏,游江辉,蔡宇,刘寒霜. 机床与液压, 2019(07)
- [9]STFT-LLE流形学习方法及其在运动声特征提取中的应用研究[D]. 王万凯. 青岛理工大学, 2018(05)
- [10]基于麦克风阵列的小型无人机侦测及定位方案设计[D]. 郭俊峰. 重庆邮电大学, 2018(01)
标签：特征提取论文;