無人駕駛汽車在行車過程中,需要通過視覺感知和聽覺感知來構(gòu)建當(dāng)前周圍環(huán)境模型,聲學(xué)事件檢測是聽覺感知系統(tǒng)構(gòu)建模型的核心所在,而警笛音為行車環(huán)境下的主要聲學(xué)事件,因此對警笛音的檢測開展深入的研究極有必要。(1)以特種車輛所發(fā)出的警笛音信號這一聲學(xué)事件為研究目標(biāo),在實(shí)驗(yàn)環(huán)境下搭建基于梅爾頻率倒譜系數(shù)(MFCC)聲學(xué)特征和支持向量機(jī)(SVM)模式分類的基線系統(tǒng),仿真分析該基線系統(tǒng)的正確性;采集汽車試驗(yàn)場地行車環(huán)境下的實(shí)驗(yàn)數(shù)據(jù),對基線系統(tǒng)進(jìn)行測試,結(jié)果表明基線系統(tǒng)在行車環(huán)境下的檢測準(zhǔn)確率較低。(2)為了解決傳統(tǒng)聲學(xué)特征MFCC對噪聲干擾比較敏感的問題,提出了一種諧波梅爾頻率倒譜系數(shù)(HMFCC)的魯棒性聲學(xué)特征提取算法。該算法通過聲學(xué)信號的諧波模型與MFCC算法相結(jié)合,提取目標(biāo)聲學(xué)信號中的共振峰頻率,增強(qiáng)目標(biāo)聲學(xué)信號的中高頻分量,從而得到在噪聲環(huán)境下魯棒性較好的聲學(xué)特征。(3)為了建立行車風(fēng)噪模型,采用譜減法對其進(jìn)行降噪處理。具體的研究內(nèi)容包括:通過互信息驗(yàn)證行車風(fēng)噪低頻域和高頻域之間的相關(guān)性;采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立行車風(fēng)噪模型,其中低頻域作為輸入向量,高頻域作為輸出向量;最后用譜減法對估計(jì)出...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 聲學(xué)事件檢測研究現(xiàn)狀
        1.2.2 魯棒性聲學(xué)特征研究現(xiàn)狀
        1.2.3 行車噪聲研究現(xiàn)狀
        1.2.4 支持向量機(jī)研究現(xiàn)狀
    1.3 本文研究的主要內(nèi)容
2 基于MFCC和 SVM的警笛音檢測基線系統(tǒng)
    2.1 引言
    2.2 基線系統(tǒng)
        2.2.1 系統(tǒng)框架圖
        2.2.2 警笛音信號預(yù)處理
        2.2.3 MFCC特征提取
        2.2.4 支持向量機(jī)模型訓(xùn)練
        2.2.5 基線系統(tǒng)仿真分析
    2.3 實(shí)驗(yàn)數(shù)據(jù)分析
        2.3.1 數(shù)據(jù)采集
        2.3.2 參數(shù)設(shè)置
        2.3.3 結(jié)果分析
    2.4 本章小結(jié)
3 魯棒性聲學(xué)特征提取算法
    3.1 引言
    3.2 基于諧波模型和MFCC特征提取方法
        3.2.1 行車過程中的噪聲
        3.2.2 共振峰提取
        3.2.3 目標(biāo)聲學(xué)事件的諧波分析
        3.2.4 聲學(xué)事件HMFCC特征提取
    3.3 實(shí)驗(yàn)數(shù)據(jù)分析
        3.4.1 參數(shù)設(shè)置
        3.4.2 結(jié)果分析
    3.4 本章小結(jié)
4 基于徑向基神經(jīng)網(wǎng)絡(luò)噪聲模型的降噪算法
    4.1 引言
    4.2 不同頻段風(fēng)噪之間的相關(guān)性
    4.3 基于RBFNN噪聲建模算法
        4.3.1 RBFNN原理
        4.3.3 譜減法減噪原理
        4.3.4 基于RBFNN噪聲模型降噪算法
    4.4 實(shí)驗(yàn)數(shù)據(jù)分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 參數(shù)設(shè)置
        4.4.3 結(jié)果分析
    4.5 本章小結(jié)
5 支持向量機(jī)模型的參數(shù)優(yōu)化
    5.1 引言
    5.2 支持向量機(jī)的參數(shù)分析
    5.3 參數(shù)尋優(yōu)算法
        5.3.1 K折交叉驗(yàn)證算法
        5.3.2 遺傳算法參數(shù)尋優(yōu)
        5.3.3 粒子群算法參數(shù)尋優(yōu)
        5.3.4 優(yōu)化結(jié)果對比分析
    5.4 實(shí)驗(yàn)數(shù)據(jù)分析
        5.4.1 參數(shù)設(shè)置
        5.4.2 結(jié)果分析
    5.5 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的主要研究成果



本文編號：4047995