| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 地下管网保护的研究背景和意义 | 第9-10页 |
| 1.2 地下管网保护系统技术发展现状 | 第10-14页 |
| 1.2.1 地下管网的安全监控技术现状 | 第10-12页 |
| 1.2.2 声音识别领域的技术发展和研究现状 | 第12-14页 |
| 1.2.3 多特征融合技术 | 第14页 |
| 1.3 本文的主要研究和工作内容 | 第14-15页 |
| 1.4 章节结构的安排 | 第15-17页 |
| 第2章 声音信号特征提取方法和分类算法研究 | 第17-31页 |
| 2.1 开挖设备的声音分析与识别流程 | 第17-19页 |
| 2.1.1 开挖器械声音产生机理 | 第17-18页 |
| 2.1.2 声音识别的一般流程 | 第18-19页 |
| 2.2 线性预测倒谱系数(LPCC) | 第19-21页 |
| 2.2.1 线性预测倒谱系数基本原理 | 第19-20页 |
| 2.2.2 开挖器械声音信号的LPCC特征分析 | 第20-21页 |
| 2.3 梅尔频率倒谱系数(MFCC) | 第21-24页 |
| 2.3.1 梅尔频率倒谱系数提取原理 | 第21-23页 |
| 2.3.2 开挖器械声音信号的MFCC特征 | 第23-24页 |
| 2.4 支持向量机(SVM) | 第24-27页 |
| 2.4.1 SVM基本原理 | 第24-26页 |
| 2.4.2 核函数 | 第26-27页 |
| 2.5 极限学习机(ELM) | 第27-30页 |
| 2.5.1 极限学习机的原理 | 第27-29页 |
| 2.5.2 正则化极限学习机 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于主成分分析方法的多特征融合 | 第31-43页 |
| 3.1 多特征融合理论 | 第31-32页 |
| 3.2 主成分分析(PCA)基本概念和应用 | 第32页 |
| 3.3 PCA基本原理 | 第32-33页 |
| 3.4 基于PCA的多特征融合方法研究 | 第33-35页 |
| 3.5 实验分析 | 第35-42页 |
| 3.5.1 实验前期准备 | 第35-37页 |
| 3.5.2 基于PCA的特征融合声音识别方法有效性实验 | 第37-40页 |
| 3.5.3 基于PCA的特征融合声音识别方法泛化能力实验 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于极限学习机-栈式自编码器的特征融合研究 | 第43-56页 |
| 4.1 超限学习机-栈式自动编码器(ELM-SAE) | 第43-46页 |
| 4.1.1 自动编码器(AE) | 第43-44页 |
| 4.1.2 超限学习机栈式自动编码器(ELM-SAE) | 第44-46页 |
| 4.2 基于ELM-SAE的多特征融合 | 第46-47页 |
| 4.3 基于ELM-SAE的开挖设备声音识别算法具体过程 | 第47-49页 |
| 4.4 实验分析 | 第49-55页 |
| 4.4.1 基于ELM-SAE多特征融合方法声音识别实验 | 第49-52页 |
| 4.4.2 基于ELM-SAE的特征融合声音识别方法泛化能力对比实验 | 第52-54页 |
| 4.4.3 特征参数的阶数的选取对于特征融合的影响实验分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 研究展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
