| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究课题的背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 存在的问题 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 异常声音的分析和前端处理 | 第17-39页 |
| 2.1 异常声音信号的特性 | 第17-20页 |
| 2.2 异常声音信号的预处理 | 第20-25页 |
| 2.2.1 预加重 | 第20-21页 |
| 2.2.2 分帧加窗 | 第21-25页 |
| 2.3 异常声音的去噪 | 第25-32页 |
| 2.3.1 公共场所环境噪声的建模 | 第25-29页 |
| 2.3.2 基于改进的自适应滤波器的异常声音去噪方法 | 第29-32页 |
| 2.4 异常声音的端点检测 | 第32-38页 |
| 2.4.1 基于短时能量和过零率双门限的端点检测算法 | 第32-34页 |
| 2.4.2 基于自适应子带谱熵的端点检测算法 | 第34-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 音频事件检测基础 | 第39-62页 |
| 3.1 数据增强 | 第39-42页 |
| 3.2 音频信号的特征参数提取 | 第42-51页 |
| 3.2.1 线性预测系数 | 第43-44页 |
| 3.2.2 线性预测倒谱系数 | 第44-46页 |
| 3.2.3 梅尔频率倒谱系数 | 第46-49页 |
| 3.2.4 特征参数的比较与分析 | 第49-51页 |
| 3.3 常用的声音识别算法 | 第51-60页 |
| 3.3.1 基于高斯混合模型的异常声音识别算法 | 第51-56页 |
| 3.3.2 基于神经网络的异常声音识别算法 | 第56-60页 |
| 3.4 本章小结 | 第60-62页 |
| 第四章 基于卷积神经网络的异常声音识别算法 | 第62-85页 |
| 4.1 卷积神经网络 | 第62-65页 |
| 4.2 不同特征维度下的卷积神经网络 | 第65-70页 |
| 4.2.1 声音信号的特征排列方式 | 第65-66页 |
| 4.2.2 适用于一维特征的卷积神经网络 | 第66-70页 |
| 4.3 实验结果及分析 | 第70-84页 |
| 4.3.1 实验数据采集 | 第70-71页 |
| 4.3.2 特征参数提取及排列 | 第71-72页 |
| 4.3.3 实验参数设置 | 第72页 |
| 4.3.4 实验结果与分析 | 第72-84页 |
| 4.4 本章小结 | 第84-85页 |
| 第五章 基于卷积神经网络的异常音频事件检测系统 | 第85-93页 |
| 5.1 系统的设计 | 第85-87页 |
| 5.1.1 系统功能设计 | 第85-86页 |
| 5.1.2 系统流程设计 | 第86-87页 |
| 5.2 系统界面演示与运行测试 | 第87-92页 |
| 5.3 本章小结 | 第92-93页 |
| 第六章 总结和展望 | 第93-95页 |
| 6.1 总结 | 第93-94页 |
| 6.2 展望 | 第94-95页 |
| 参考文献 | 第95-101页 |
| 致谢 | 第101-102页 |
| 攻读硕士学位期间取得的学术成果 | 第102页 |