基于声音和震动信号特征融合的车型识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.2 车型识别技术的研究现状 | 第9-13页 |
| 1.2.1 车型识别技术 | 第9-12页 |
| 1.2.2 国内外研究现状 | 第12-13页 |
| 1.3 本课题研究的主要内容 | 第13-15页 |
| 第二章 车辆声震信号分析 | 第15-20页 |
| 2.1 车辆声音信号的分析 | 第15-17页 |
| 2.1.1 车辆声音信号的组成 | 第15-16页 |
| 2.1.2 车辆声音信号的特征 | 第16-17页 |
| 2.1.3 声音信号传播的影响因素 | 第17页 |
| 2.2 车辆震动信号的分析 | 第17-19页 |
| 2.2.1 车辆震动信号的组成 | 第17-18页 |
| 2.2.2 车辆震动信号的特征 | 第18页 |
| 2.2.3 震动信号传播的影响因素 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 信号特征的提取 | 第20-35页 |
| 3.1 特征提取的重要性 | 第20页 |
| 3.2 常用的信号特征 | 第20-23页 |
| 3.2.1 短时信号能量 | 第21页 |
| 3.2.2 过零率 | 第21-22页 |
| 3.2.3 信息熵 | 第22页 |
| 3.2.4 频谱滚降 | 第22-23页 |
| 3.2.5 频谱重心 | 第23页 |
| 3.2.6 频谱通量 | 第23页 |
| 3.3 特征量的提取 | 第23-24页 |
| 3.4 常用的特征提取方法 | 第24-26页 |
| 3.5 基于特征级融合的特征提取方法 | 第26-33页 |
| 3.5.1 倒谱理论 | 第26-29页 |
| 3.5.2 BCS 特征提取算法 | 第29-30页 |
| 3.5.3 数据融合技术 | 第30-33页 |
| 3.5.4 融合特征向量的形成 | 第33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 支持向量机分类器 | 第35-47页 |
| 4.1 支持向量机的理论基础 | 第36-38页 |
| 4.1.1 统计学习模型 | 第36-37页 |
| 4.1.2 最小化原理 | 第37-38页 |
| 4.1.3 支持向量机 | 第38页 |
| 4.2 支持向量机 | 第38-44页 |
| 4.2.1 支持向量机的概念 | 第38-43页 |
| 4.2.2 支持向量机的特征 | 第43页 |
| 4.2.3 支持向量机的训练算法 | 第43-44页 |
| 4.3 支持向量机分类器 | 第44-45页 |
| 4.3.1 二分类问题 | 第44页 |
| 4.3.2 多分类问题 | 第44-45页 |
| 4.4 支持向量机的应用 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于声震信号相融合的车型识别实验分析 | 第47-57页 |
| 5.1 数据来源 | 第47-49页 |
| 5.1.1 数据采集 | 第47-48页 |
| 5.1.2 有效信号的提取 | 第48-49页 |
| 5.2 车辆声震信号时频域分析 | 第49-50页 |
| 5.3 数据预处理 | 第50-53页 |
| 5.3.1 信号的截取 | 第51页 |
| 5.3.2 均值处理 | 第51-52页 |
| 5.3.3 归一化处理 | 第52-53页 |
| 5.4 声震信号的特征向量 | 第53-54页 |
| 5.5 车型识别 | 第54-56页 |
| 5.5.1 车型识别流程 | 第54页 |
| 5.5.2 数据集分类 | 第54-55页 |
| 5.5.3 识别结果及分析 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
