| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题来源及意义 | 第11-12页 |
| 1.2 声源定位以及键盘击键内容识别的基本内容 | 第12-13页 |
| 1.2.1 声源定位的含义 | 第12页 |
| 1.2.2 键盘击键内容识别的含义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.3.1 基于计算机视觉的键盘击键内容识别 | 第13页 |
| 1.3.2 基于WiFi的键盘击键内容的识别 | 第13-14页 |
| 1.3.3 基于声音信号的键盘击键内容识别 | 第14页 |
| 1.4 本文的研究工作 | 第14-15页 |
| 1.5 论文的章节安排 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第2章 相关技术的研究 | 第17-22页 |
| 2.1 定位技术和行为识别 | 第17-21页 |
| 2.1.1 定位技术 | 第17-19页 |
| 2.1.2 行为识别 | 第19-21页 |
| 2.2 本章小结 | 第21-22页 |
| 第3章 基于声音键盘击键组合内容的识别 | 第22-37页 |
| 3.1 基于TDOA+MFCCS检测单键击键模型 | 第22-24页 |
| 3.1.1 基于TDoA+MFCCs方法的原理 | 第22-23页 |
| 3.1.2 基于TDoA+MFCCs方法的不足之处 | 第23-24页 |
| 3.2 巴特沃斯以及小波去噪 | 第24-26页 |
| 3.2.1 巴特沃斯过滤器 | 第24页 |
| 3.2.2 小波去噪的基本原理 | 第24-26页 |
| 3.3 盲源信号分离技术 | 第26-30页 |
| 3.3.0 盲源信号分离的数学模型 | 第26-27页 |
| 3.3.1 独立成分分析 | 第27-28页 |
| 3.3.2 FastICA算法的基本原理 | 第28-29页 |
| 3.3.3 FastICA算法分离性能的评价标准 | 第29页 |
| 3.3.4 信号的分离 | 第29-30页 |
| 3.4 语音信号的分割以及特征获取 | 第30-34页 |
| 3.4.1 语音信号的分割 | 第30页 |
| 3.4.2 语音频谱特征的提取 | 第30-34页 |
| 3.5 SVM分类算法及应用 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 实验结果与分析 | 第37-48页 |
| 4.1 系统架构介绍 | 第37-38页 |
| 4.2 实验平台 | 第38-39页 |
| 4.2.1 实验设备 | 第38页 |
| 4.2.2 实验场景 | 第38-39页 |
| 4.3 声音信号的处理 | 第39-40页 |
| 4.4 基于TDOA+MFCCS方法组合键识别的研究结果 | 第40-41页 |
| 4.5 基于声音信号能量差的研究结果 | 第41-44页 |
| 4.5.1 基于双麦克风能量特征的理论验证 | 第41-42页 |
| 4.5.2 基于双麦克风能量特征的实验结果分析 | 第42-44页 |
| 4.6 基于盲源信号分离的研究结果 | 第44-46页 |
| 4.6.1 盲源信号分离模型的训练 | 第44-45页 |
| 4.6.2 分离后信号的效果评估 | 第45-46页 |
| 4.6.3 击键组合分类后的效果评估 | 第46页 |
| 4.7 实验总结与讨论 | 第46页 |
| 4.8 本章小结 | 第46-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士学位期间的研究成果 | 第55页 |