由于城市居民的汽車保有數(shù)量迅速增加,導(dǎo)致城市交通系統(tǒng)的壓力增大,同時也帶來了汽車鳴笛等交通噪聲污染的問題。這些問題嚴(yán)重影響到了居民正常的生產(chǎn)生活。而現(xiàn)階段最常見的汽車鳴笛噪聲的識別定位的方法,是通過人工判斷的方式,該方法效率低且浪費人力資源。因此通過麥克風(fēng)陣列實現(xiàn)汽車鳴笛聲源定位的方法,被提出研究并在日常生活中使用。通過麥克風(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,通過聲源定位算法計算出目標(biāo)聲源的實際位置。因此,本文的主要任務(wù)是通過自行設(shè)計的麥克風(fēng)陣列,接收道路中的音頻信號,識別其中是否包含鳴笛聲音,在對包含鳴笛聲音的音頻信號進(jìn)行分析,計算出鳴笛車輛的具體方向和實際位置。首先,本文介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的汽車鳴笛識別系統(tǒng)的結(jié)構(gòu)、原理和方法。利用能零積判斷麥克風(fēng)接收到的信號中是否包含鳴笛信號或類似的高能信號;再提取出該信號中的聲學(xué)特征參數(shù)MFCC+GFCC,與其動態(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。通過仿真實驗,與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型的識別結(jié)果進(jìn)行對比,證明混合特征參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)在... 

【文章來源】：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

【文章頁數(shù)】：96 頁

【學(xué)位級別】：碩士

【部分圖文】：

生活中常見的麥克風(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)的車輛鳴笛識別本章主要介紹麥克風(fēng)車輛鳴笛定位系統(tǒng)中的車輛鳴笛識別部分，基于卷積神經(jīng)網(wǎng)絡(luò)，主要闡述其原理與具體識別方法。本文主要是通過麥克風(fēng)獲取未知的環(huán)境聲音，判斷是否存在車輛鳴笛聲或類似的聲音，再對其進(jìn)行識別，具體的識別流程如圖2-1所示。圖2-1汽車鳴笛識別工作流程圖鳴笛檢測是根據(jù)通過分析接收信號的時域特征，判斷麥克風(fēng)陣列是否接收到車輛鳴笛信號或具有類似特征的聲源信號。預(yù)處理主要是為了實現(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，成為下一部分分類識別的輸出。分類識別部分是通過輸入的特征向量，判斷輸入信號是屬于哪一類別。本文主要是通過卷積神經(jīng)網(wǎng)絡(luò)利用提取的聲源特征參數(shù)對接收的聲音信號進(jìn)行判斷，分析其中是否包含鳴笛信息。本章將按照汽車鳴笛識別的工作流程進(jìn)行介紹，并針對收集到的鳴笛數(shù)據(jù)進(jìn)行仿真實驗，分析實驗結(jié)果。2.1汽車鳴笛聲音預(yù)處理汽車鳴笛信號的預(yù)處理主要是分幀與加窗。鳴笛信號的分析過程也是建立在短時分析基礎(chǔ)上，一般認(rèn)為在很短時間范圍內(nèi)，該信號的特性基本保持一致。幀的時間長度一般取10~30ms，幀數(shù)與采樣率相關(guān)。同時，由于直接分幀會導(dǎo)致音頻信號的部分信息不連續(xù)，為保證每幀信號之間可以實現(xiàn)平滑過渡，因此相鄰幀之間會存在一段重合的信號，被稱為幀移。幀移一般取值為幀長的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，本文將幀長設(shè)定為256個采樣點，幀移設(shè)定為128個采樣點。圖2-2音頻信號分幀示意圖（N為幀長，M為幀移）

第二章基于卷積神經(jīng)網(wǎng)絡(luò)的車輛鳴笛識別7信號的頻域分析一般使用傅立葉變換，而分幀后的信號做傅立葉變換時可能由于數(shù)據(jù)不連續(xù)出現(xiàn)頻譜泄漏等問題。因此為了使分幀后的信號在頻域擁有良好性能，需要對分幀后的音頻信號加窗處理，從而消除分幀所產(chǎn)生截斷效應(yīng)。除此之外加窗還可以實現(xiàn)語音的活動性檢測，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汽車鳴笛聲音檢測現(xiàn)代社會中的汽車鳴笛聲，根據(jù)車輛喇叭的聲音動力主要不同，可以主要分成氣喇叭和電喇叭。車載氣喇叭需要使用汽車上帶有的空氣壓縮器，鳴笛時從中噴射出氣流，推動一個金屬薄膜片振動，因而發(fā)出鳴笛聲。由于這一類的喇叭必須有一個空氣壓縮機(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或是重型貨車等。相較而言，電喇叭是利用電磁學(xué)原理使金屬薄片振動，所以體積較小，重量較輕。城市道路中的中小型汽車一般安裝的均為這種喇叭。因為本文的主要研究是城市道路中的車輛鳴笛問題，所以主要討論電喇叭的鳴笛聲識別。常見的民用車輛的喇叭，喇叭聲的音量級處于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時域波形，下圖顯示的是鳴笛聲的聲譜圖。圖2-3短時時域波形與聲譜圖利用汽車鳴笛信號高頻高能的特點，通常采用語音端點檢測技術(shù)，實現(xiàn)笛聲檢測。通常采用的方法包括：能量閾值[56]、基音檢測[57]、倒譜分析[58]、線性預(yù)測[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. 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)樂惇,周裕德,邵志躍,李志遠(yuǎn),李俊.  中國環(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.  航空動力學(xué)報. 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[J]. 金恒康,張一聞.  電子科技. 2019(07)
[6]汽車鳴笛聲實時抓拍的理論研究和系統(tǒng)實現(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鳴笛聲定位算法及實現(xiàn)[J]. 張煥強(qiáng),黃時春,蔣偉康.  噪聲與振動控制. 2018(03)
[8]基于優(yōu)化正交匹配追蹤和深度置信網(wǎng)的聲音識別[J]. 陳秋菊,李應(yīng).  計算機(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的說話人識別抗噪系統(tǒng)研究[J]. 茅正沖,王正創(chuàng),黃芳.  計算機(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)的汽車違法鳴笛識別方法研究[D]. 鄭皓.蘭州交通大學(xué) 2018
[2]基于小型麥克風(fēng)陣列的低空無人飛行器探測系統(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)計與實現(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.國防科學(xué)技術(shù)大學(xué) 2015
[7]基于SVM的昆蟲聲音識別與驅(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]氣動噪聲源的麥克風(fēng)陣列識別定位技術(shù)研究[D]. 黃奔.中國空氣動力研究與發(fā)展中心 2014



本文編號：3208256