目前對于截取飛機短波無線電通信音頻,識別飛機類型的工作主要是通過人工偵聽來識別聲音信號中關于飛機發(fā)動機的聲音以此來推斷飛機的類型。但是這種通過人耳進行識別的方法往往誤差很大,主要原因有兩個,一是截取的聲音信號非常短,可能就幾十毫秒;另一個是截取到的飛機的聲音信號中混雜著各種噪聲,使識別難度增大。由此可以看出,研究對飛機艙音、駕駛員通話背景音的分類識別,具有非常重要的意義。目前關于通過飛機艙背景音進行飛機類型識別的文獻很少。本文主要研究了兩種針對聲音信號特征提取的方法,并且分別對其進行了仿真實驗,通過分析,得出通過梅爾頻率倒譜系數算法計算得到的信號特征更適合本文所用的聲音信號。根據得到的信號特征,本文選用BP神經網絡、樸素貝葉斯分類器和支持向量機分別來對八種飛機的通話背景聲音進行分類識別。與BP神經網絡和樸素貝葉斯分類器相比,支持向量機更適合對樣本規(guī)模較小的數據分類,分類準確率高。然而支持向量機的分類效果受參數的影響較大,為尋找到最優(yōu)的參數,本文還采用了粒子群算法與和聲搜索算法優(yōu)化支持向量機的參數。本文分別用BP神經網路、樸素貝葉斯分類器、支持向量機、粒子群算法優(yōu)化的支持向量機與和聲搜索算...

【文章頁數】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 飛機艙音噪聲的研究現狀
        1.2.2 聲音信號特征提取的研究現狀
        1.2.3 分類器的研究現狀
    1.3 論文研究內容和結構安排
第2章 特征提取的方法研究
    2.1 小波包變換算法
        2.1.1 小波包簡介
        2.1.2 小波包的性質
        2.1.3 小波包快速算法
        2.1.4 常用的小波函數
    2.2 MFCC算法
        2.2.1 MFCC簡介
        2.2.2 MFCC算法組成
    2.3 仿真實驗
        2.3.1 小波包分析
        2.3.2 MFCC特征提取
    2.4 本章小結
第3章 分類方法的研究與實驗對比
    3.1 BP神經網絡分類器
        3.1.1 BP神經網絡簡介
        3.1.2 BP神經網絡的優(yōu)缺點
    3.2 樸素貝葉斯分類器
        3.2.1 樸素貝葉斯分類算法的簡介
        3.2.2 樸素貝葉斯的算法
        3.2.3 樸素貝葉斯的優(yōu)缺點
    3.3 支持向量機分類器
        3.3.1 支持向量機簡介
        3.3.2 多分類支持向量機
        3.3.3 支持向量機的優(yōu)缺點
    3.4 仿真實驗對比
    3.5 本章小結
第4章 基于優(yōu)化SVM的飛機類型的識別
    4.1 基于SVM的飛機類型識別方法
        4.1.1 方法簡介
    4.2 粒子群算法優(yōu)化SVM分類器
        4.2.1 粒子群算法簡介
        4.2.2 基于粒子群算法優(yōu)化SVM分類器
    4.3 和聲搜索算法優(yōu)化SVM分類器
        4.3.1 和聲搜索算法簡介
        4.3.2 和聲搜索算法參數分析
        4.3.3 基于和聲搜索算法優(yōu)化SVM分類器
    4.4 實驗結果對比及分析
        4.4.1 參數的設置
        4.4.2 實驗結果分析
    4.5 本章小結
結論
參考文獻
致謝



本文編號：4008774