基于机器学习的声源定位研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 传统声源定位算法 | 第10-12页 |
| 1.2.2 基于机器学习的声源定位算法 | 第12-13页 |
| 1.3 本文主要工作和结构安排 | 第13-16页 |
| 第二章 声源定位基础和机器学习基本理论 | 第16-31页 |
| 2.1 声波传播模型 | 第16-18页 |
| 2.1.1 平面波 | 第16-17页 |
| 2.1.2 球面波 | 第17-18页 |
| 2.2 麦克风阵列接收信号模型 | 第18-22页 |
| 2.2.1 理想信号模型 | 第18-19页 |
| 2.2.2 实际信号模型 | 第19-22页 |
| 2.3 常用的传统声源定位算法 | 第22-24页 |
| 2.3.1 广义互相关时延估计算法 | 第22-24页 |
| 2.3.2 SRP-PHAT定位算法 | 第24页 |
| 2.4 机器学习概述 | 第24-26页 |
| 2.5 几种典型的用于声源定位的机器学习算法 | 第26-30页 |
| 2.5.1 朴素贝叶斯 | 第26-27页 |
| 2.5.2 支持向量机 | 第27-29页 |
| 2.5.3 K均值聚类 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于LDA分类器的声源定位方法 | 第31-42页 |
| 3.1 LDA分类器基本原理 | 第31-32页 |
| 3.2 定位方法 | 第32-37页 |
| 3.2.1 信号模型 | 第33-34页 |
| 3.2.2 GCC-PHAT特征提取 | 第34-36页 |
| 3.2.3 训练LDA分类器 | 第36-37页 |
| 3.2.4 定位测试 | 第37页 |
| 3.3 仿真和分析 | 第37-41页 |
| 3.3.1 实验条件 | 第38页 |
| 3.3.2 实验结果分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于LDA特征变换的声源定位方法 | 第42-52页 |
| 4.1 基于LDA的特征变换概述 | 第42-43页 |
| 4.2 定位方法 | 第43-48页 |
| 4.2.1 特征提取与投影变换 | 第44-45页 |
| 4.2.2 分类器训练 | 第45-47页 |
| 4.2.3 定位测试 | 第47-48页 |
| 4.3 仿真与分析 | 第48-51页 |
| 4.3.1 实验条件 | 第48页 |
| 4.3.2 实验结果分析 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 基于集成学习的声源定位方法 | 第52-64页 |
| 5.1 集成学习基本原理 | 第52-55页 |
| 5.1.1 生成策略 | 第53-54页 |
| 5.1.2 结合策略 | 第54-55页 |
| 5.2 定位方法 | 第55-59页 |
| 5.2.1 集成分类器训练 | 第57-59页 |
| 5.2.2 定位测试 | 第59页 |
| 5.3 仿真与分析 | 第59-63页 |
| 5.3.1 实验条件 | 第59-60页 |
| 5.3.2 实验结果分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 基于选择性集成的声源定位方法 | 第64-72页 |
| 6.1 选择性集成基本理论 | 第64-67页 |
| 6.1.1 选择性集成原理 | 第64-66页 |
| 6.1.2 选择性集成方式 | 第66-67页 |
| 6.2 定位方法 | 第67-69页 |
| 6.2.1 选择性Bagging分类器训练 | 第68页 |
| 6.2.2 定位测试 | 第68-69页 |
| 6.3 仿真与分析 | 第69-71页 |
| 6.3.1 实验条件 | 第69页 |
| 6.3.2 实验结果分析 | 第69-71页 |
| 6.4 本章小结 | 第71-72页 |
| 第七章 总结与展望 | 第72-74页 |
| 7.1 本文工作总结 | 第72-73页 |
| 7.2 未来工作展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第77-78页 |
| 附录2 攻读硕士学位期间申请的专利 | 第78-79页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第79-80页 |
| 致谢 | 第80页 |
