声源定位中盲源分离算法的研究与实现
摘要 | 第8-9页 |
ABSTRACT | 第9-10页 |
第一章 绪论 | 第11-16页 |
1.1 课题研究背景及意义 | 第11-13页 |
1.2 国内外研究概况 | 第13-14页 |
1.3 论文内容与安排 | 第14-16页 |
第二章 基于盲源分离的声源定位方案设计 | 第16-24页 |
2.1 系统总体方案设计 | 第16页 |
2.2 声音信号的采集 | 第16-17页 |
2.3 盲信号处理 | 第17-19页 |
2.4 声音信号的识别 | 第19-20页 |
2.5 TDOA算法计算声源位置 | 第20-23页 |
2.5.1 采用PHAT-GCC算法计算时延 | 第20-21页 |
2.5.2 根据时延计算声源位置 | 第21-23页 |
2.6 本章小结 | 第23-24页 |
第三章 盲信号分离算法的研究 | 第24-45页 |
3.1 盲信号分离的数学理论 | 第24-27页 |
3.1.1 信号的统计独立性 | 第24页 |
3.1.2 熵 | 第24-25页 |
3.1.3 互信息 | 第25-26页 |
3.1.4 负熵 | 第26页 |
3.1.5 高阶统计特性 | 第26-27页 |
3.2 独立成分分析 | 第27-32页 |
3.2.1 独立成分分析的典型算法 | 第28-31页 |
3.2.2 ICA中的预处理 | 第31页 |
3.2.3 ICA算法误差性能评价准则 | 第31-32页 |
3.3 基于负熵最大化的快速固定点算法 | 第32-37页 |
3.4 联合近似对角化算法 | 第37-40页 |
3.4.1 累积张量 | 第38页 |
3.4.2 由张量特征值得到独立成分 | 第38-40页 |
3.5 Matlab仿真实验 | 第40-44页 |
3.5.1 FastICA算法仿真 | 第42-43页 |
3.5.2 JADE算法仿真 | 第43-44页 |
3.6 本章小结 | 第44-45页 |
第四章 声音信号识别算法的研究 | 第45-63页 |
4.1 声音信号的预处理 | 第45-47页 |
4.1.1 预加重 | 第45页 |
4.1.2 分帧 | 第45-46页 |
4.1.3 加窗 | 第46-47页 |
4.2 声音信号识别的特征提取 | 第47-52页 |
4.2.1 线性预测系数 | 第47-48页 |
4.2.2 线性预测倒谱系数 | 第48-49页 |
4.2.3 Mel倒谱系数 | 第49-52页 |
4.3 声音信号的识别方法 | 第52-61页 |
4.3.1 动态时间规整算法 | 第52-54页 |
4.3.2 隐马尔可夫模型 | 第54-59页 |
4.3.3 人工神经网络 | 第59-61页 |
4.4 基于MFCC-DTW的仿真实验 | 第61-62页 |
4.5 本章小结 | 第62-63页 |
第五章 系统功能测试 | 第63-68页 |
5.1 系统工作流程 | 第63-64页 |
5.2 系统测试与分析 | 第64-66页 |
5.2.1 测试系统组成 | 第64-65页 |
5.2.2 测试结果与分析 | 第65-66页 |
5.3 本章小结 | 第66-68页 |
第六章 总结与展望 | 第68-70页 |
6.1 总结 | 第68页 |
6.2 展望 | 第68-70页 |
参考文献 | 第70-74页 |
致谢 | 第74-75页 |
攻读硕士学位期间的研究成果 | 第75-76页 |
学位论文评阅及答辩情况表 | 第76页 |