摘要 | 第3-4页 |
Abstract | 第4-5页 |
第1章 绪论 | 第9-14页 |
1.1 课题研究背景及意义 | 第9-10页 |
1.2 声音识别概述 | 第10页 |
1.3 声音识别技术国内外研究现状 | 第10-12页 |
1.4 本文主要研究内容 | 第12页 |
1.5 本文组织结构 | 第12-14页 |
第2章 声音识别基本理论 | 第14-28页 |
2.1 声音信号预处理 | 第14-17页 |
2.2 声音信号特征提取 | 第17-22页 |
2.2.1 基音周期 | 第17页 |
2.2.2 线性预测系数(LPC) | 第17-18页 |
2.2.3 线性预测倒谱系数(LPCC) | 第18-19页 |
2.2.4 梅尔倒谱系数(MFCC) | 第19-21页 |
2.2.5 GFCC系数 | 第21-22页 |
2.3 识别模型 | 第22-26页 |
2.3.1 动态时间规整(DTW) | 第22-23页 |
2.3.2 隐马尔可夫模型(HMM) | 第23-25页 |
2.3.3 支持向量机(SVM) | 第25-26页 |
2.3.4 深度学习(DL) | 第26页 |
2.4 系统检测指标 | 第26-27页 |
2.5 本章小结 | 第27-28页 |
第3章 基于GMM-UBM的发动机异常声音识别方法研究 | 第28-39页 |
3.1 声音库 | 第28-29页 |
3.2 预处理和特征提取 | 第29页 |
3.3 GMM模型 | 第29-31页 |
3.3.1 GMM模型的原理 | 第29-30页 |
3.3.2 GMM参数估计方法 | 第30-31页 |
3.4 GMM-UBM模型 | 第31-33页 |
3.4.1 UBM模型 | 第31页 |
3.4.2 MAP算法 | 第31-32页 |
3.4.3 GMM-UBM对数似然比 | 第32-33页 |
3.5 飞机发动机异常声音识别系统基本结构 | 第33-34页 |
3.6 实验结果及分析 | 第34-38页 |
3.6.1 特征参数不同对声音识别率的影响 | 第34-35页 |
3.6.2 GMM混合度对声音识别率的影响 | 第35-36页 |
3.6.3 特征维数对声音识别率的影响 | 第36-37页 |
3.6.4 特征阶数不同对声音识别率的影响 | 第37-38页 |
3.7 本章小结 | 第38-39页 |
第4章 深度学习在飞机发动机异常声音识别中的应用探究 | 第39-60页 |
4.1 深度学习的理论基础 | 第39-41页 |
4.1.1 深度学习概述 | 第39-40页 |
4.1.2 深度学习示意图 | 第40-41页 |
4.2 深层神经网络(DNN) | 第41-45页 |
4.2.1 DNN前向计算算法 | 第41-43页 |
4.2.2 误差反向传播算法 | 第43-45页 |
4.3 基于MFCC-CNN的飞机发动机异常声音识别系统 | 第45-48页 |
4.3.1 卷积神经网络(CNN) | 第45-46页 |
4.3.2 卷积和池化 | 第46-47页 |
4.3.3 基于MFCC-CNN飞机发动机异常声音识别系统图 | 第47-48页 |
4.4 基于MFCC-LSTM-RNN的飞机发动机异常声音识别系统 | 第48-51页 |
4.4.1 循环神经网络(RNN) | 第48-49页 |
4.4.2 长短时记忆单元LSTM | 第49-50页 |
4.4.3 基于MFCC-LSTM-RNN的飞机发动机异常声音识别系统图 | 第50-51页 |
4.5 基于MFCC-FNN的飞机发动机异常声音识别系统 | 第51-55页 |
4.5.1 模糊系统 | 第51-52页 |
4.5.2 模糊神经元 | 第52页 |
4.5.3 模糊神经网络(FNN) | 第52-54页 |
4.5.4 基于MFCC-FNN的飞机发动机异常声音识别系统图 | 第54-55页 |
4.6 实验结果及分析 | 第55-59页 |
4.6.1 CNN网络中卷积池化层数对实验结果的影响 | 第56-57页 |
4.6.2 测试时间对神经网络识别结果的影响 | 第57页 |
4.6.3 训练次数对神经网络识别结果的影响 | 第57-58页 |
4.6.4 学习率对神经网络识别结果的影响 | 第58-59页 |
4.7 本章小结 | 第59-60页 |
第5章 总结和展望 | 第60-62页 |
5.1 工作总结 | 第60-61页 |
5.2 前景展望 | 第61-62页 |
参考文献 | 第62-67页 |
硕士期间发表的学术论文情况和参与的科研项目 | 第67-68页 |
致谢 | 第68-69页 |