| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第11-25页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-22页 |
| 1.2.1 畜禽等动物声信号的研究 | 第12-19页 |
| 1.2.2 声信号去噪技术研究 | 第19-20页 |
| 1.2.3 声信号特征提取方法研究 | 第20-21页 |
| 1.2.4 声信号的识别模型研究 | 第21-22页 |
| 1.3 存在的问题和研究内容 | 第22-23页 |
| 1.3.1 存在的问题 | 第22-23页 |
| 1.3.2 研究的内容 | 第23页 |
| 1.4 技术路线 | 第23-25页 |
| 2 羊舍声信号的采集与小波去噪方法研究 | 第25-46页 |
| 2.1 设施羊舍的声信号采集 | 第25-27页 |
| 2.2 羊舍声信号的小波去噪 | 第27-41页 |
| 2.2.1 小波去噪流程 | 第27-28页 |
| 2.2.2 小波基的选择和试验 | 第28-30页 |
| 2.2.3 小波分解层数的选择和试验 | 第30-31页 |
| 2.2.4 改进的一种阈值选择规则 | 第31-37页 |
| 2.2.5 改进的一种阈值函数 | 第37-41页 |
| 2.3 羊舍声信号的分析处理软件 | 第41-45页 |
| 2.3.1 软件设计方案 | 第42页 |
| 2.3.2 软件程序的设计 | 第42-44页 |
| 2.3.3 软件界面的设计 | 第44-45页 |
| 2.4 小结 | 第45-46页 |
| 3 羊舍声信号共振峰特征参数提取研究 | 第46-61页 |
| 3.1 LPC法提取共振峰参数 | 第46-49页 |
| 3.1.1 线性预测分析 | 第46-48页 |
| 3.1.2 基于抛物线内插的峰值检测 | 第48-49页 |
| 3.2 改进的提取共振峰参数方法 | 第49-52页 |
| 3.2.1 第一共振峰频率的提取 | 第49-51页 |
| 3.2.2 第一共振峰带宽的提取 | 第51页 |
| 3.2.3 其它共振峰的提取 | 第51-52页 |
| 3.3 共振峰参数提取试验及结果分析 | 第52-60页 |
| 3.3.1 共振峰参数提取 | 第52-55页 |
| 3.3.2 声谱图中的共振峰 | 第55-56页 |
| 3.3.3 共振峰轨迹跟踪 | 第56-60页 |
| 3.4 小结 | 第60-61页 |
| 4 羊舍声信号的特征加权MFCC混合参数提取研究 | 第61-76页 |
| 4.1 梅尔频率与傅里叶频率的关系 | 第61-62页 |
| 4.2 羊舍声信号的MFCC提取 | 第62-68页 |
| 4.2.1 MFCC的提取流程 | 第62-64页 |
| 4.2.2 MFCC差分特征参数 | 第64页 |
| 4.2.3 羊舍声信号的MFCC及其差分参数 | 第64-68页 |
| 4.3 改进的特征分量加权MFCC特征参数 | 第68-72页 |
| 4.3.1 特征参数各维分量的评价方法 | 第68-70页 |
| 4.3.2 基于特征相关性的Fisher准则 | 第70-72页 |
| 4.3.3 基于CF比加权的MFCC混合特征参数 | 第72页 |
| 4.4 改进的MFCC特征参数的试验和结果分析 | 第72-75页 |
| 4.4.1 MFCC特征参数加权的识别性能对比 | 第72-74页 |
| 4.4.2 MFCC混合特征参数加权的识别性能对比 | 第74-75页 |
| 4.5 小结 | 第75-76页 |
| 5 基于希尔伯特-黄变换的羊舍声信号特征参数提取研究 | 第76-90页 |
| 5.1 固有模态函数和经验模态分解 | 第76-79页 |
| 5.1.1 瞬时频率与希尔伯特变换 | 第76-77页 |
| 5.1.2 固有模态函数 | 第77页 |
| 5.1.3 经验模态分解 | 第77-79页 |
| 5.2 希尔伯特谱及边际谱分析 | 第79-80页 |
| 5.2.1 希尔伯特谱 | 第79-80页 |
| 5.2.2 希尔伯特边际谱 | 第80页 |
| 5.3 基于希尔伯特-黄变换的羊舍声信号分析 | 第80-88页 |
| 5.3.1 羊舍声信号的经验模态分解 | 第80-84页 |
| 5.3.2 羊舍声信号的希尔伯特边际谱分析 | 第84-88页 |
| 5.4 基于边际谱的羊舍声信号特征参数提取 | 第88-89页 |
| 5.5 小结 | 第89-90页 |
| 6 基于HMM/ANN的羊舍声信号分类识别研究 | 第90-106页 |
| 6.1 隐马尔科夫模型的参数组成 | 第90-91页 |
| 6.2 隐马尔可夫模型的建模算法 | 第91-95页 |
| 6.2.1 HMM识别的前向-后向算法 | 第91-92页 |
| 6.2.2 HMM状态链的Viterbi算法 | 第92-94页 |
| 6.2.3 HMM训练的Baum-welch算法 | 第94-95页 |
| 6.3 羊舍声信号识别的HMM建模 | 第95-97页 |
| 6.3.1 隐马尔科夫链的确定 | 第95-96页 |
| 6.3.2 隐马尔科夫模型参数的确定 | 第96-97页 |
| 6.3.3 羊舍声信号识别的隐马尔科夫模型 | 第97页 |
| 6.4 羊舍声信号的HMM/ANN混合识别模型 | 第97-103页 |
| 6.4.1 HMM的不足及其解决方法 | 第97-98页 |
| 6.4.2 BP神经网络模型 | 第98-101页 |
| 6.4.3 HMM/ANN混合识别模型 | 第101-103页 |
| 6.5 羊舍声信号识别系统的试验与结果分析 | 第103-105页 |
| 6.5.1 不同识别模型的性能比较 | 第103-104页 |
| 6.5.2 不同特征参数对识别结果的影响 | 第104-105页 |
| 6.6 小结 | 第105-106页 |
| 7 结论与展望 | 第106-108页 |
| 7.1 结论 | 第106-107页 |
| 7.2 创新点 | 第107页 |
| 7.3 展望 | 第107-108页 |
| 致谢 | 第108-111页 |
| 参考文献 | 第111-120页 |
| 作者简介 | 第120页 |