摘要 | 第3-5页 |
ABSTRACT | 第5-6页 |
第1章 绪论 | 第10-15页 |
1.1 课题背景 | 第10页 |
1.2 国内外研究现状 | 第10-12页 |
1.3 本文主要研究内容 | 第12-13页 |
1.4 整体方案设计 | 第13-14页 |
1.5 全文结构安排 | 第14-15页 |
第2章 基于BP神经网络的声音识别算法研究 | 第15-31页 |
2.1 引言 | 第15页 |
2.2 神经网络的基础知识 | 第15-17页 |
2.2.1 神经网络的基本结构 | 第15-16页 |
2.2.2 BP神经网络的学习规则 | 第16-17页 |
2.3 二分类声音识别神经网络的设计 | 第17-19页 |
2.3.1 神经网络的设计步骤 | 第17-18页 |
2.3.2 二分类神经网络的参数设置 | 第18-19页 |
2.4 针对汽车鸣笛的特征提取 | 第19-25页 |
2.4.1 特征提取的概念 | 第19页 |
2.4.2 主要的特征提取方法 | 第19-20页 |
2.4.3 声音信号的特征分析和特征选择(以汽车鸣笛为例) | 第20-22页 |
2.4.4 特定声音信号特征提取的实现(以MFCC方法为例) | 第22-25页 |
2.5 汽车鸣笛识别的仿真实验 | 第25-30页 |
2.5.1 衡量声音识别的指标 | 第25-26页 |
2.5.2 汽车鸣笛识别的主要特征选取 | 第26页 |
2.5.3 实验参数设置 | 第26-27页 |
2.5.4 实验结果与分析 | 第27-30页 |
2.6 本章小结 | 第30-31页 |
第3章 基于麦克风阵列的声源定位算法研究 | 第31-50页 |
3.1 引言 | 第31页 |
3.2 麦克风阵列—声源的模型 | 第31-34页 |
3.2.1 远场模型和近场模型 | 第31-32页 |
3.2.2 想模型与实际模型 | 第32-33页 |
3.2.3 麦克风阵列的设计 | 第33-34页 |
3.3 传统的声源定位方法 | 第34-37页 |
3.3.1 基于时延估计 | 第34-36页 |
3.3.2 基于可控波束形成 | 第36-37页 |
3.4 传统的SRP-PHAT算法 | 第37-40页 |
3.4.1 SRP-PHAT算法的原理和实现步骤 | 第37-39页 |
3.4.2 SRP-PHAT算法的全局搜索性 | 第39-40页 |
3.5 基于传统SRP-PHAT的改进算法 | 第40-43页 |
3.5.1 Brown大学三种快速算法 | 第40-41页 |
3.5.2 传统的SRC算法 | 第41-43页 |
3.6 仿真与讨论 | 第43-49页 |
3.6.1 仿真环境设置 | 第43-44页 |
3.6.2 传统的SRP-PHAT算法 | 第44-46页 |
3.6.3 SRC算法与SRP-PHAT算法的对比实验 | 第46-49页 |
3.7 本章小结 | 第49-50页 |
第4章 基于匹配搜索的改进的SRC定位算法 | 第50-58页 |
4.1 引言 | 第50页 |
4.2 压缩感知技术的简介 | 第50-51页 |
4.3 定位模型的提出 | 第51-53页 |
4.4 结合SRC算法的匹配搜索 | 第53-54页 |
4.5 仿真与讨论 | 第54-57页 |
4.5.1 评价参数设置 | 第54页 |
4.5.2 仿真环境设置 | 第54-55页 |
4.5.3 初始参数设置 | 第55页 |
4.5.4 仿真与对比 | 第55-56页 |
4.5.5 分析与讨论 | 第56-57页 |
4.6 本章小结 | 第57-58页 |
第5章 相关补充实验 | 第58-67页 |
5.1 引言 | 第58-59页 |
5.2 声音识别与定位实验 | 第59-66页 |
5.2.1 实验硬件和软件平台 | 第59-60页 |
5.2.2 实验环境设置 | 第60-61页 |
5.2.3 鸣笛声识别部分实验 | 第61-62页 |
5.2.4 鸣笛声定位部分实验 | 第62-64页 |
5.2.5 定位实验的分析与讨论 | 第64-66页 |
5.3 本章小结 | 第66-67页 |
第6章 结束语 | 第67-69页 |
对本次研究课题的总结 | 第67页 |
本文的创新之处 | 第67-68页 |
本文的不足之处 | 第68页 |
今后的研究目标 | 第68-69页 |
参考文献 | 第69-76页 |
在校期间发表的学术论文 | 第76-77页 |
致谢 | 第77页 |