由于城市居民的汽車(chē)保有數(shù)量迅速增加,導(dǎo)致城市交通系統(tǒng)的壓力增大,同時(shí)也帶來(lái)了汽車(chē)?guó)Q笛等交通噪聲污染的問(wèn)題。這些問(wèn)題嚴(yán)重影響到了居民正常的生產(chǎn)生活。而現(xiàn)階段最常見(jiàn)的汽車(chē)?guó)Q笛噪聲的識(shí)別定位的方法,是通過(guò)人工判斷的方式,該方法效率低且浪費(fèi)人力資源。因此通過(guò)麥克風(fēng)陣列實(shí)現(xiàn)汽車(chē)?guó)Q笛聲源定位的方法,被提出研究并在日常生活中使用。通過(guò)麥克風(fēng)陣列可以獲取空間中聲源傳播的聲音數(shù)據(jù)和空間位置等信息。麥克風(fēng)陣列聲源定位系統(tǒng)可以利用這些信息,通過(guò)聲源定位算法計(jì)算出目標(biāo)聲源的實(shí)際位置。因此,本文的主要任務(wù)是通過(guò)自行設(shè)計(jì)的麥克風(fēng)陣列,接收道路中的音頻信號(hào),識(shí)別其中是否包含鳴笛聲音,在對(duì)包含鳴笛聲音的音頻信號(hào)進(jìn)行分析,計(jì)算出鳴笛車(chē)輛的具體方向和實(shí)際位置。首先,本文介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的汽車(chē)?guó)Q笛識(shí)別系統(tǒng)的結(jié)構(gòu)、原理和方法。利用能零積判斷麥克風(fēng)接收到的信號(hào)中是否包含鳴笛信號(hào)或類(lèi)似的高能信號(hào);再提取出該信號(hào)中的聲學(xué)特征參數(shù)MFCC+GFCC,與其動(dòng)態(tài)特性相互結(jié)合;將其作為卷積神經(jīng)網(wǎng)絡(luò)的輸入層代入搭建好的卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。通過(guò)仿真實(shí)驗(yàn),與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型的識(shí)別結(jié)果進(jìn)行對(duì)比,證明混合特征參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)在... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

生活中常見(jiàn)的麥克風(fēng)陣列應(yīng)用

電子科技大學(xué)碩士學(xué)位論文6第二章基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛鳴笛識(shí)別本章主要介紹麥克風(fēng)車(chē)輛鳴笛定位系統(tǒng)中的車(chē)輛鳴笛識(shí)別部分，基于卷積神經(jīng)網(wǎng)絡(luò)，主要闡述其原理與具體識(shí)別方法。本文主要是通過(guò)麥克風(fēng)獲取未知的環(huán)境聲音，判斷是否存在車(chē)輛鳴笛聲或類(lèi)似的聲音，再對(duì)其進(jìn)行識(shí)別，具體的識(shí)別流程如圖2-1所示。圖2-1汽車(chē)?guó)Q笛識(shí)別工作流程圖鳴笛檢測(cè)是根據(jù)通過(guò)分析接收信號(hào)的時(shí)域特征，判斷麥克風(fēng)陣列是否接收到車(chē)輛鳴笛信號(hào)或具有類(lèi)似特征的聲源信號(hào)。預(yù)處理主要是為了實(shí)現(xiàn)分幀加窗等目的，便于后期處理。特征提取是負(fù)責(zé)提取接收的聲源信號(hào)的一些具有區(qū)分性的特征，將這一部分作為特征向量，成為下一部分分類(lèi)識(shí)別的輸出。分類(lèi)識(shí)別部分是通過(guò)輸入的特征向量，判斷輸入信號(hào)是屬于哪一類(lèi)別。本文主要是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)利用提取的聲源特征參數(shù)對(duì)接收的聲音信號(hào)進(jìn)行判斷，分析其中是否包含鳴笛信息。本章將按照汽車(chē)?guó)Q笛識(shí)別的工作流程進(jìn)行介紹，并針對(duì)收集到的鳴笛數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，分析實(shí)驗(yàn)結(jié)果。2.1汽車(chē)?guó)Q笛聲音預(yù)處理汽車(chē)?guó)Q笛信號(hào)的預(yù)處理主要是分幀與加窗。鳴笛信號(hào)的分析過(guò)程也是建立在短時(shí)分析基礎(chǔ)上，一般認(rèn)為在很短時(shí)間范圍內(nèi)，該信號(hào)的特性基本保持一致。幀的時(shí)間長(zhǎng)度一般取10~30ms，幀數(shù)與采樣率相關(guān)。同時(shí)，由于直接分幀會(huì)導(dǎo)致音頻信號(hào)的部分信息不連續(xù)，為保證每幀信號(hào)之間可以實(shí)現(xiàn)平滑過(guò)渡，因此相鄰幀之間會(huì)存在一段重合的信號(hào)，被稱(chēng)為幀移。幀移一般取值為幀長(zhǎng)的0~1/2。分幀示意圖如下圖2-2所示。為了便于后續(xù)的快速傅立葉變換，本文將幀長(zhǎng)設(shè)定為256個(gè)采樣點(diǎn)，幀移設(shè)定為128個(gè)采樣點(diǎn)。圖2-2音頻信號(hào)分幀示意圖（N為幀長(zhǎng)，M為幀移）

第二章基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛鳴笛識(shí)別7信號(hào)的頻域分析一般使用傅立葉變換，而分幀后的信號(hào)做傅立葉變換時(shí)可能由于數(shù)據(jù)不連續(xù)出現(xiàn)頻譜泄漏等問(wèn)題。因此為了使分幀后的信號(hào)在頻域擁有良好性能，需要對(duì)分幀后的音頻信號(hào)加窗處理，從而消除分幀所產(chǎn)生截?cái)嘈?yīng)。除此之外加窗還可以實(shí)現(xiàn)語(yǔ)音的活動(dòng)性檢測(cè)，將聲音的寬帶模型轉(zhuǎn)化為窄帶模型等功能。而漢寧窗是應(yīng)用最為廣泛的窗函數(shù)，其是一種升余弦窗，可以有效的消除高頻干擾和漏能，因此本文采用漢寧窗作為窗函數(shù)。2.2汽車(chē)?guó)Q笛聲音檢測(cè)現(xiàn)代社會(huì)中的汽車(chē)?guó)Q笛聲，根據(jù)車(chē)輛喇叭的聲音動(dòng)力主要不同，可以主要分成氣喇叭和電喇叭。車(chē)載氣喇叭需要使用汽車(chē)上帶有的空氣壓縮器，鳴笛時(shí)從中噴射出氣流，推動(dòng)一個(gè)金屬薄膜片振動(dòng)，因而發(fā)出鳴笛聲。由于這一類(lèi)的喇叭必須有一個(gè)空氣壓縮機(jī)，所以導(dǎo)致其體型較大。氣喇叭音量大，傳播范圍遠(yuǎn)，所以一般安裝在大型客車(chē)或是重型貨車(chē)等。相較而言，電喇叭是利用電磁學(xué)原理使金屬薄片振動(dòng)，所以體積較小，重量較輕。城市道路中的中小型汽車(chē)一般安裝的均為這種喇叭。因?yàn)楸疚牡闹饕芯渴浅鞘械缆分械能?chē)輛鳴笛問(wèn)題，所以主要討論電喇叭的鳴笛聲識(shí)別。常見(jiàn)的民用車(chē)輛的喇叭，喇叭聲的音量級(jí)處于70db-120db，其頻率主要處于500Hz-4000Hz。如圖2-3所示。上圖顯示的是鳴笛聲的短時(shí)時(shí)域波形，下圖顯示的是鳴笛聲的聲譜圖。圖2-3短時(shí)時(shí)域波形與聲譜圖利用汽車(chē)?guó)Q笛信號(hào)高頻高能的特點(diǎn)，通常采用語(yǔ)音端點(diǎn)檢測(cè)技術(shù)，實(shí)現(xiàn)笛聲檢測(cè)。通常采用的方法包括：能量閾值[56]、基音檢測(cè)[57]、倒譜分析[58]、線性預(yù)測(cè)[59]

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的FDA–MIMO雷達(dá)波束形成算法[J]. 李星星,熊智敏,王黨衛(wèi),馬曉巖.  太赫茲科學(xué)與電子信息學(xué)報(bào). 2020(04)
[2]聲源定位技術(shù)在工業(yè)噪聲控制中的應(yīng)用[J]. 張瑋晨,應(yīng)樂(lè)惇,周裕德,邵志躍,李志遠(yuǎn),李俊.  中國(guó)環(huán)保產(chǎn)業(yè). 2019(10)
[3]圓形平面麥克風(fēng)陣列構(gòu)型的優(yōu)化設(shè)計(jì)方法[J]. 李政儀,宮二玲,曹孟華.  傳感器與微系統(tǒng). 2019(10)
[4]麥克風(fēng)陣列安裝偏差引起的旋轉(zhuǎn)聲源定位誤差[J]. 鮑歡,楊明綏,馬威.  航空動(dòng)力學(xué)報(bào). 2019(08)
[5]基于Zynq的麥克風(fēng)陣列同步高速采集系統(tǒng)設(shè)計(jì)[J]. 金恒康,張一聞.  電子科技. 2019(07)
[6]汽車(chē)?guó)Q笛聲實(shí)時(shí)抓拍的理論研究和系統(tǒng)實(shí)現(xiàn)[J]. 袁芳,閆建偉,張勇,李屹超,王玉芬.  電聲技術(shù). 2018(11)
[7]基于傳聲器陣列的汽車(chē)?guó)Q笛聲定位算法及實(shí)現(xiàn)[J]. 張煥強(qiáng),黃時(shí)春,蔣偉康.  噪聲與振動(dòng)控制. 2018(03)
[8]基于優(yōu)化正交匹配追蹤和深度置信網(wǎng)的聲音識(shí)別[J]. 陳秋菊,李應(yīng).  計(jì)算機(jī)應(yīng)用. 2017(02)
[9]Near-Field Source Localization Using Spherical Microphone Arrays[J]. HUANG Qinghua,ZHANG Guangfei,LIU Kai.  Chinese Journal of Electronics. 2016(01)
[10]基于GFCC與RLS的說(shuō)話人識(shí)別抗噪系統(tǒng)研究[J]. 茅正沖,王正創(chuàng),黃芳.  計(jì)算機(jī)工程與應(yīng)用. 2015(10)

博士論文
[1]基于麥克風(fēng)陣列的聲源定位技術(shù)研究[D]. 秦艷華.北京郵電大學(xué) 2019
[2]基于麥克風(fēng)陣列的聲源定位算法研究[D]. 居太亮.電子科技大學(xué) 2006

碩士論文
[1]基于深度學(xué)習(xí)的汽車(chē)違法鳴笛識(shí)別方法研究[D]. 鄭皓.蘭州交通大學(xué) 2018
[2]基于小型麥克風(fēng)陣列的低空無(wú)人飛行器探測(cè)系統(tǒng)研究[D]. 潘祺凰.南京理工大學(xué) 2018
[3]基于Android的智能音響系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊瑞光.北京交通大學(xué) 2017
[4]基于麥克風(fēng)陣列的聲源被動(dòng)定位技術(shù)研究[D]. 薛彥杰.中北大學(xué) 2017
[5]基于麥克風(fēng)陣列的聲音識(shí)別與定位算法研究[D]. 張鐵成.南京師范大學(xué) 2016
[6]基于多組麥克風(fēng)陣列的槍聲定位算法研究[D]. 佘大鵬.國(guó)防科學(xué)技術(shù)大學(xué) 2015
[7]基于SVM的昆蟲(chóng)聲音識(shí)別與驅(qū)蚊劑定量構(gòu)效關(guān)系[D]. 梁景華.湖南農(nóng)業(yè)大學(xué) 2015
[8]基于卷積深度置信網(wǎng)絡(luò)的歌手識(shí)別[D]. 何灼彬.華南理工大學(xué) 2015
[9]環(huán)境異常狀況聲音特征研究[D]. 姚曉欣.北方工業(yè)大學(xué) 2014
[10]氣動(dòng)噪聲源的麥克風(fēng)陣列識(shí)別定位技術(shù)研究[D]. 黃奔.中國(guó)空氣動(dòng)力研究與發(fā)展中心 2014



本文編號(hào)：3208256