基于极限学习机和卷积神经网络的工程机械识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 地下管线防破坏研究背景及意义 | 第10-11页 |
| 1.2 地下管线系统防护技术研究现状 | 第11-15页 |
| 1.2.1 地下管线现有防护措施 | 第11-13页 |
| 1.2.2 声音识别研究现状 | 第13-14页 |
| 1.2.3 卷积神经网络的发展 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 章节结构的安排 | 第16-18页 |
| 第2章 经典声音特征提取算法 | 第18-28页 |
| 2.1 机械声音信号的分析 | 第18-20页 |
| 2.1.1 时域分析 | 第18-19页 |
| 2.1.2 频谱分析 | 第19-20页 |
| 2.2 声音信号的预处理 | 第20-21页 |
| 2.2.1 归一化 | 第20页 |
| 2.2.2 预加重 | 第20页 |
| 2.2.3 分帧加窗 | 第20-21页 |
| 2.3 声音特征提取提算法 | 第21-27页 |
| 2.3.1 梅尔频率倒谱系数特征参数的提取 | 第21-24页 |
| 2.3.2 感知线性预测倒谱系数特征参数的提取 | 第24-26页 |
| 2.3.3 MF-PLPCC特征参数的提取 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于正则化极限学习机对工程机械识别方法 | 第28-37页 |
| 3.1 极限学习机 | 第28-31页 |
| 3.1.1 极限学习机原理 | 第28-30页 |
| 3.1.2 正则化极限学习机 | 第30-31页 |
| 3.2 试验设备和数据采集 | 第31-32页 |
| 3.3 算法流程 | 第32-33页 |
| 3.4 试验设计和试验结果分析 | 第33-36页 |
| 3.4.1 不同模型之间的对比 | 第33-34页 |
| 3.4.2 不同模型在不同距离下的泛化能力 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于卷积神经网路对工程机械的识别 | 第37-58页 |
| 4.1 声音信号预处理 | 第37-39页 |
| 4.1.1 声音信号采集 | 第37-38页 |
| 4.1.2 声音信号预处理 | 第38-39页 |
| 4.2 卷积神经网络 | 第39-49页 |
| 4.2.1 卷积神经网络理论 | 第39-41页 |
| 4.2.2 卷积神经网络的基本结构 | 第41-44页 |
| 4.2.3 卷积神经网络训练过程 | 第44-47页 |
| 4.2.4 激活函数和正则化方法的讨论 | 第47-49页 |
| 4.3 算法流程 | 第49-50页 |
| 4.4 试验设置和结果 | 第50-57页 |
| 4.4.1 试验设置 | 第50-52页 |
| 4.4.2 卷积核个数对识别率的影响 | 第52页 |
| 4.4.3 窗口大小对识别率的影响 | 第52-53页 |
| 4.4.4 Dropout概率对识别率的影响 | 第53-54页 |
| 4.4.5 激活函数的选择 | 第54-55页 |
| 4.4.6 与其它方法的对比试验 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |
