基于通话背景音的飞机类型识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 飞机舱音噪声的研究现状 | 第10-11页 |
| 1.2.2 声音信号特征提取的研究现状 | 第11-14页 |
| 1.2.3 分类器的研究现状 | 第14-15页 |
| 1.3 论文研究内容和结构安排 | 第15-17页 |
| 第2章 特征提取的方法研究 | 第17-31页 |
| 2.1 小波包变换算法 | 第17-21页 |
| 2.1.1 小波包简介 | 第18-19页 |
| 2.1.2 小波包的性质 | 第19页 |
| 2.1.3 小波包快速算法 | 第19-20页 |
| 2.1.4 常用的小波函数 | 第20-21页 |
| 2.2 MFCC算法 | 第21-24页 |
| 2.2.1 MFCC简介 | 第21页 |
| 2.2.2 MFCC算法组成 | 第21-24页 |
| 2.3 仿真实验 | 第24-29页 |
| 2.3.1 小波包分析 | 第24-28页 |
| 2.3.2 MFCC特征提取 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 分类方法的研究与实验对比 | 第31-45页 |
| 3.1 BP神经网络分类器 | 第31-35页 |
| 3.1.1 BP神经网络简介 | 第31-34页 |
| 3.1.2 BP神经网络的优缺点 | 第34-35页 |
| 3.2 朴素贝叶斯分类器 | 第35-37页 |
| 3.2.1 朴素贝叶斯分类算法的简介 | 第35-36页 |
| 3.2.2 朴素贝叶斯的算法 | 第36-37页 |
| 3.2.3 朴素贝叶斯的优缺点 | 第37页 |
| 3.3 支持向量机分类器 | 第37-42页 |
| 3.3.1 支持向量机简介 | 第38-41页 |
| 3.3.2 多分类支持向量机 | 第41页 |
| 3.3.3 支持向量机的优缺点 | 第41-42页 |
| 3.4 仿真实验对比 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于优化SVM的飞机类型的识别 | 第45-63页 |
| 4.1 基于SVM的飞机类型识别方法 | 第45-46页 |
| 4.1.1 方法简介 | 第45-46页 |
| 4.2 粒子群算法优化SVM分类器 | 第46-51页 |
| 4.2.1 粒子群算法简介 | 第46-49页 |
| 4.2.2 基于粒子群算法优化SVM分类器 | 第49-51页 |
| 4.3 和声搜索算法优化SVM分类器 | 第51-56页 |
| 4.3.1 和声搜索算法简介 | 第51-53页 |
| 4.3.2 和声搜索算法参数分析 | 第53-54页 |
| 4.3.3 基于和声搜索算法优化SVM分类器 | 第54-56页 |
| 4.4 实验结果对比及分析 | 第56-62页 |
| 4.4.1 参数的设置 | 第56-57页 |
| 4.4.2 实验结果分析 | 第57-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-73页 |
| 致谢 | 第73页 |
