基于声纹多谐波分析的无人机检测与定位研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 声音检测 | 第11-12页 |
| 1.2.2 声源定位 | 第12-13页 |
| 1.3 课题的研究目的和内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 无人机的声纹特征分析 | 第15-22页 |
| 2.1 短时傅立叶变换技术进行时频分析 | 第15-18页 |
| 2.1.1 短时傅立叶变换技术介绍 | 第15-17页 |
| 2.1.2 处理分析无人机声音信号 | 第17-18页 |
| 2.2 离散傅立叶变换技术进行频域分析 | 第18-21页 |
| 2.2.1 离散傅立叶变换技术介绍 | 第18-19页 |
| 2.2.2 处理分析无人机飞行悬停时的声音 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 基于声纹多谐波分析的无人机检测方法 | 第22-47页 |
| 3.1 基于FFT的传统谐波检测方法 | 第22-23页 |
| 3.2 支持向量机算法 | 第23-29页 |
| 3.2.1 支持向量机算法原理 | 第23-27页 |
| 3.2.2 利用SVM做二分类实现无人机声音检测 | 第27-29页 |
| 3.3 常用的声音特征向量MFCC | 第29-36页 |
| 3.3.1 声音特征向量MFCC的原理 | 第29-33页 |
| 3.3.2 声音特征向量MFCC的提取过程 | 第33-34页 |
| 3.3.3 提取MFCC向量并做SVM二分类 | 第34-36页 |
| 3.4 基于无人机声纹特征的能量特征向量 | 第36-42页 |
| 3.4.1 能量特征向量的原理 | 第36-39页 |
| 3.4.2 能量特征向量的提取过程 | 第39-40页 |
| 3.4.3 提取能量特征向量并做SVM二分类 | 第40-42页 |
| 3.5 组合构造新的特征向量进行分类 | 第42-46页 |
| 3.5.1 新的特征向量原理 | 第42页 |
| 3.5.2 实验结果 | 第42-44页 |
| 3.5.3 对比三种特征向量的检测结果 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 无人机的定位方法 | 第47-68页 |
| 4.1 传统的定位方法的原理及不足 | 第47-53页 |
| 4.1.1 基于最大输出功率的可控波束成形技术 | 第47-48页 |
| 4.1.2 高分辨率谱估计技术 | 第48-52页 |
| 4.1.3 基于声音到达时间差的定位技术 | 第52-53页 |
| 4.1.4 几种定位方法的优缺点比较 | 第53页 |
| 4.2 基于互相关分析求得时延再定位的原理 | 第53-63页 |
| 4.2.1 时延估计的基本原理 | 第53-56页 |
| 4.2.2 广义互相关时延估计法 | 第56-61页 |
| 4.2.3 广义互相关函数时延估计法仿真实验 | 第61-63页 |
| 4.3 利用广义互相关函数求时延实现无人机定位 | 第63-67页 |
| 4.3.1 阵列的组成结构 | 第63-65页 |
| 4.3.2 实验结果 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 无人机检测与定位系统实验 | 第68-79页 |
| 5.1 系统的软件和硬件设计 | 第68-74页 |
| 5.1.1 系统的硬件平台 | 第68-72页 |
| 5.1.2 系统的软件设计 | 第72-74页 |
| 5.2 系统实验结果分析 | 第74-78页 |
| 5.2.1 不同场景下的检测结果 | 第74-76页 |
| 5.2.2 多次实验的定位结果 | 第76-78页 |
| 5.3 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 个人简历 | 第84页 |
