| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 汽车鸣笛声识别概述 | 第9-10页 |
| 1.1.1 汽车鸣笛声识别研究的意义 | 第9-10页 |
| 1.1.2 汽车鸣笛声识别的分类 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 汽车鸣笛声识别的现状 | 第10-11页 |
| 1.2.2 深度学习的研究现状 | 第11-12页 |
| 1.3 目前汽车鸣笛声识别存在的问题 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 2 深度学习基本理论 | 第14-29页 |
| 2.1 神经网络基本理论 | 第14-19页 |
| 2.1.1 神经网络的研究背景 | 第14-15页 |
| 2.1.2 神经网络的组成 | 第15-16页 |
| 2.1.3 神经元 | 第16-17页 |
| 2.1.4 拓扑结构 | 第17-19页 |
| 2.1.5 训练方法 | 第19页 |
| 2.2 深度神经网络模型 | 第19-21页 |
| 2.2.1 深度学习基本模型的种类 | 第19-20页 |
| 2.2.2 深度学习的优势 | 第20-21页 |
| 2.3 深度信念网络 | 第21-24页 |
| 2.3.1 受限玻尔兹曼机 | 第21页 |
| 2.3.2 吉布斯采样 | 第21-22页 |
| 2.3.3 对比散度算法 | 第22-23页 |
| 2.3.4 逐层贪婪训练及微调 | 第23-24页 |
| 2.4 卷积深度信念网络 | 第24-28页 |
| 2.4.1 卷积受限玻尔兹曼机 | 第24-25页 |
| 2.4.2 稀疏正则化 | 第25-26页 |
| 2.4.3 概率最大池化 | 第26-27页 |
| 2.4.4 CDBN训练方法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 鸣笛声识别系统的原理与方法 | 第29-43页 |
| 3.1 系统的硬件结构 | 第29-30页 |
| 3.2 鸣笛声检测 | 第30-33页 |
| 3.3 鸣笛声定位 | 第33-36页 |
| 3.4 音频信号预处理 | 第36-37页 |
| 3.5 音频信号特征提取 | 第37-40页 |
| 3.6 常用的模型和算法 | 第40-41页 |
| 3.7 本章小结 | 第41-43页 |
| 4 汽车鸣笛声识别 | 第43-54页 |
| 4.1 基于深度信念网络和MFCC特征的汽车鸣笛声识别 | 第43-46页 |
| 4.1.1 实验计算 | 第43-44页 |
| 4.1.2 结果与分析 | 第44-46页 |
| 4.2 基于CDBN特征的汽车鸣笛声识别 | 第46-53页 |
| 4.2.1 提取CDBN特征 | 第46-49页 |
| 4.2.2 实验计算 | 第49-51页 |
| 4.2.3 结果与分析 | 第51-53页 |
| 4.3 本章小结 | 第53-54页 |
| 5 结论与展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间的研究成果 | 第61页 |