飞机噪声识别及其FPGA固化研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 飞机噪声识别系统整体结构 | 第13-14页 |
| 1.4 论文研究的主要内容 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 第二章 飞机噪声特征提取 | 第16-22页 |
| 2.1 声波的产生机理及其特性 | 第16-18页 |
| 2.1.1 声波的物理特性 | 第16-17页 |
| 2.1.2 目标噪声来源分析 | 第17-18页 |
| 2.2 常用的噪声特征提取方法 | 第18页 |
| 2.3 1/3 倍频程频谱数据提取原理 | 第18-22页 |
| 2.3.1 1/3 倍频程滤波带宽算法 | 第18-20页 |
| 2.3.2 1/3 倍频程频谱数据提取流程及效果 | 第20-22页 |
| 第三章 飞机噪声特征精简及噪声识别 | 第22-41页 |
| 3.1 飞机噪声识别方法概述 | 第22-23页 |
| 3.2 改进的均方根法飞机噪声识别 | 第23-24页 |
| 3.2.1 加入特征分散程度参数Rate | 第23-24页 |
| 3.2.2 加入权重参数C | 第24页 |
| 3.3 飞机噪声特征精简 | 第24-28页 |
| 3.3.1 特征精简的必要性 | 第24-26页 |
| 3.3.2 特征精简的流程 | 第26-27页 |
| 3.3.3 特征精简前后的效果 | 第27-28页 |
| 3.4 人工神经网络飞机噪声识别 | 第28-32页 |
| 3.4.1 人工神经网络概述 | 第28-30页 |
| 3.4.2 BP神经网络工作原理 | 第30-31页 |
| 3.4.3 BP神经网络噪声分类效果 | 第31-32页 |
| 3.5 支持向量机飞机噪声识别 | 第32-38页 |
| 3.5.1 支持向量机基本思想 | 第32-33页 |
| 3.5.2 支持向量机的学习方式及核函数 | 第33-37页 |
| 3.5.3 支持向量机分类效果分析 | 第37-38页 |
| 3.6 最小二乘支持向量机结构 | 第38-41页 |
| 3.6.1 最小二乘支持向量机原理 | 第38-39页 |
| 3.6.2 最小二乘支持向量机的神经网络实现结构 | 第39-41页 |
| 第四章 飞机噪声识别的FPGA实现 | 第41-57页 |
| 4.1 FPGA设计基础 | 第41-44页 |
| 4.1.1 硬件描述语言简介 | 第41-42页 |
| 4.1.2 FPGA开发基本流程 | 第42-44页 |
| 4.2 浮点数基本运算的FPGA实现 | 第44-49页 |
| 4.2.1 浮点数基础 | 第44-45页 |
| 4.2.2 浮点数乘法的FPGA实现 | 第45-47页 |
| 4.2.3 浮点数加减法的FPGA实现 | 第47-49页 |
| 4.3 最小二乘支持向量机学习过程的FPGA实现 | 第49-54页 |
| 4.3.1 最小二乘支持向量机参数求解的实现 | 第49-53页 |
| 4.3.2 飞机噪声识别结果显示模块设计 | 第53-54页 |
| 4.4 支持向量机分类过程的FPGA实现 | 第54-57页 |
| 4.4.1 支持向量机分类过程的FPGA实现 | 第54-55页 |
| 4.4.2 支持向量机分类过程实现结果 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57-58页 |
| 5.2 对今后研究的展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录A 单精度浮点数乘法器结构 | 第65-66页 |
| 附录B 单精度浮点数加减法器结构 | 第66-67页 |
| 附录C 训练数据集 | 第67-69页 |
| 附录D q_(ij)核函数乘积表 | 第69-72页 |
| 攻读硕士期间发表的论文及参与的项目 | 第72页 |
