發(fā)布時(shí)間：2021-02-15 00:38

　　隨著智能交通的迅速發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類識(shí)別技術(shù)受到大量關(guān)注。傳統(tǒng)機(jī)器學(xué)習(xí)的車型分類識(shí)別方法主要以淺層模型為主,此方法的缺點(diǎn):一是層次數(shù)目較少,建模能力和表達(dá)能力有限;二是分類識(shí)別結(jié)果依賴于傳統(tǒng)方法提取的淺層特征,而淺層特征表達(dá)能力往往有限,導(dǎo)致分類結(jié)果并不理想。因此采用車輛運(yùn)動(dòng)過(guò)程中產(chǎn)生的混疊、間斷、多源噪聲信號(hào),采用聲音傳統(tǒng)特征分析研究車型分類識(shí)別仍是一個(gè)難題。本文針對(duì)上述研究現(xiàn)狀及難點(diǎn),以車輛聲信號(hào)處理及深度學(xué)習(xí)技術(shù)為基礎(chǔ),著重對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類識(shí)別方法進(jìn)行分析和研究。主要研究?jī)?nèi)容如下:1)采集車輛聲音信號(hào),去除冗余信息凝練實(shí)驗(yàn)所需特征集。通過(guò)分析聲音信號(hào)具有頻率范圍廣、采樣率高、量化后的信號(hào)數(shù)據(jù)量較龐大等特點(diǎn),直接輸入分類器和神經(jīng)網(wǎng)絡(luò)后效果較差。因此在對(duì)車型進(jìn)行分類識(shí)別之前,需對(duì)信號(hào)進(jìn)行預(yù)處理及傳統(tǒng)特征提取,并打上對(duì)應(yīng)的標(biāo)簽。通過(guò)實(shí)驗(yàn)需求,建立研究所需實(shí)驗(yàn)數(shù)據(jù)庫(kù),為后續(xù)研究工作做好數(shù)據(jù)準(zhǔn)備。2)基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類識(shí)別方法研究。對(duì)比分析機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型對(duì)車型分類識(shí)別的有效性,結(jié)合車輛聲音信號(hào)的高度復(fù)雜性使得信號(hào)表征問(wèn)題能夠很好地使用深度學(xué)習(xí)所提供... 

【文章來(lái)源】：重慶交通大學(xué)重慶市

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

一段wav格式的車輛聲音信號(hào)

實(shí)驗(yàn)采集信號(hào)的小型車圖片樣例

圖 2-3 實(shí)驗(yàn)采集信號(hào)的大型車圖片樣例使用音頻處理軟件處理錄制的 wav 格式音頻，對(duì)應(yīng)視頻截取出車輛碾壓減速標(biāo)線的音頻信號(hào)作為實(shí)驗(yàn)所需樣本信號(hào)，去除冗余信息，比如無(wú)車通過(guò)的信號(hào)段，每個(gè)樣本信號(hào)時(shí)長(zhǎng)為 2s。處理數(shù)據(jù)過(guò)程中，發(fā)現(xiàn)貨車流量較多的情況下，平均 1小時(shí)的音頻能得到 400 個(gè)數(shù)據(jù)，其中貨車信號(hào)數(shù)據(jù)大概 80 個(gè)左右。根據(jù)實(shí)驗(yàn)所需樣本信號(hào)數(shù)量，進(jìn)行多次采集，最后獲得小車樣本信號(hào) 2000 余個(gè)，面包車樣本信號(hào) 1000 余個(gè)，貨車樣本信號(hào)和客車樣本信號(hào)各 1000 余個(gè)，每一類信號(hào)分別保存在不同的文件夾下。一個(gè)樣本信號(hào)的時(shí)域波形圖如下圖 2-4。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別方法[J]. 袁公萍,湯一平,韓旺明,陳麒.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2018(04)
[2]基于神經(jīng)形態(tài)電路的音頻場(chǎng)景特征提取及識(shí)別技術(shù)[J]. 王雨辰,胡華.  計(jì)算機(jī)應(yīng)用研究. 2018(12)
[3]基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車型識(shí)別方法[J]. 王秀席,王茂寧,張建偉,程鵬.  計(jì)算機(jī)應(yīng)用研究. 2018(07)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[5]基于模糊神經(jīng)網(wǎng)絡(luò)的車輛聲音信號(hào)識(shí)別研究[J]. 杜紹研.  自動(dòng)化與儀器儀表. 2016(06)
[6]小客車通過(guò)減速帶時(shí)地面振動(dòng)信號(hào)的差異性分析[J]. 戴劍敏,郭建鋼,陳必太.  福建農(nóng)林大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[7]聲譜圖顯著性在音頻識(shí)別中的應(yīng)用[J]. 弓彥婷,程小雪,任洪梅,陳雁翔.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(01)
[8]大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應(yīng)用綜述[J]. 陸化普,孫智源,屈聞聰.  交通運(yùn)輸系統(tǒng)工程與信息. 2015(05)
[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別研究[J]. 鄧柳,汪子杰.  計(jì)算機(jī)應(yīng)用研究. 2016(03)
[10]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計(jì)算機(jī)科學(xué). 2014(11)

博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
[2]類內(nèi)結(jié)構(gòu)支持向量機(jī)學(xué)習(xí)算法研究[D]. 安文娟.北京交通大學(xué) 2015

碩士論文
[1]基于數(shù)據(jù)降維的機(jī)器學(xué)習(xí)分類應(yīng)用研究[D]. 胡天宇.吉林大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的花卉圖像分類算法的研究[D]. 劉園園.華北電力大學(xué)(北京) 2017
[3]基于地磁信息的車型識(shí)別技術(shù)的研究[D]. 李盼.北京交通大學(xué) 2015
[4]基于聲音和震動(dòng)信號(hào)特征融合的車型識(shí)別研究[D]. 靳舜.長(zhǎng)安大學(xué) 2014
[5]基于聲音識(shí)別的交通信息檢測(cè)技術(shù)研究[D]. 李云煥.長(zhǎng)安大學(xué) 2014
[6]校園道路減速帶引起的振動(dòng)實(shí)測(cè)與分析[D]. 張文星.福建農(nóng)林大學(xué) 2013
[7]基于遺傳神經(jīng)網(wǎng)絡(luò)的車型識(shí)別算法研究[D]. 陳麗.長(zhǎng)安大學(xué) 2008
[8]車輛音頻特征分析及車型識(shí)別研究[D]. 劉波.武漢理工大學(xué) 2007



本文編號(hào)：3034116