本文關(guān)鍵詞：行車噪聲環(huán)境下的快速聲學(xué)事件檢測方法研究

  更多相關(guān)文章： 行車噪聲環(huán)境 聲學(xué)事件檢測 徑向基函數(shù) 等響度曲線 基頻軌跡

【摘要】：聲學(xué)事件是指一段單一完整的能夠引起人們感知注意的連續(xù)聲音信號(hào)，聲學(xué)事件檢測是指分析待檢測聲音信號(hào)的音頻特征從而識(shí)別其中包含的特定聲學(xué)事件。與傳統(tǒng)的聲學(xué)事件檢測任務(wù)相比，行車噪聲環(huán)境具有特殊性：其屬于開放噪聲環(huán)境，其主要成分風(fēng)噪是一種空氣動(dòng)力性噪聲，與車輛、風(fēng)速、車速等因素相關(guān)，而這些因素中大部分既復(fù)雜多變又不可預(yù)知；此外，行車環(huán)境下的聲學(xué)事件檢測對實(shí)時(shí)性有非常高的要求，過大的延時(shí)可能會(huì)帶來災(zāi)難性的后果；而且，要處理的聲學(xué)事件大部分與人類的行車決策行為有關(guān)，所以系統(tǒng)的檢測結(jié)果應(yīng)與人類的主觀判別結(jié)果保持高度一致。 面向行車環(huán)境的特殊性，本文對行車噪聲環(huán)境下的快速聲學(xué)事件檢測方法展開研究。具體研究內(nèi)容如下： 第一，為了有效去除聲音信號(hào)中的噪聲成分，從而獲取較純凈的聲音信號(hào)，本文對噪聲進(jìn)行建模，，然后用譜減法進(jìn)行去噪。具體的研究內(nèi)容包括，采用互信息分析噪聲低頻域與噪聲高頻域的相關(guān)性；用噪聲的低頻域作為輸入向量，高頻域作為輸出向量，用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)為噪聲建模；估計(jì)出噪聲的高頻域噪聲后，用譜減法去噪，獲取較純凈的聲音信號(hào)。 第二，為了接近人耳的判別效果，使無人車趨于人性化，本文提出了基于等響度曲線A計(jì)權(quán)濾波器的聲學(xué)事件檢測方法。人耳對相同強(qiáng)度不同頻率的聲音變化的敏感程度不同，本文利用此特點(diǎn)，用基于人耳等響度曲線的A計(jì)權(quán)濾波器對聲音信號(hào)進(jìn)行加權(quán)，使聲音信號(hào)映射到真實(shí)的人耳聽覺領(lǐng)域。 第三，為了實(shí)現(xiàn)算法的實(shí)時(shí)性，本文根據(jù)行車環(huán)境下的目標(biāo)聲學(xué)事件在語譜圖上的基頻變化軌跡清晰可辨的特點(diǎn)，提出獲取聲音信號(hào)基頻變化軌跡特征的方法。具體步驟包括：二值化目標(biāo)聲學(xué)事件語譜圖；用目標(biāo)聲學(xué)事件二值語譜圖對聲音信號(hào)中要保留的頻帶進(jìn)行定位；提取其中最主要的頻率成分。這種方法與基于全頻域的梅爾倒譜系數(shù)特征方法相比較，降低計(jì)算量，從而能夠有效提高檢測速度。 本文采用C++實(shí)現(xiàn)了系統(tǒng)的實(shí)現(xiàn)工作，并進(jìn)行了實(shí)驗(yàn)測試。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)達(dá)到預(yù)期檢測率，在魯棒性和實(shí)時(shí)性方面有很好的效果。
【關(guān)鍵詞】：行車噪聲環(huán)境 聲學(xué)事件檢測 徑向基函數(shù) 等響度曲線 基頻軌跡
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN912.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 課題背景及研究目的和意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-15
• 1.2.1 聲學(xué)事件檢測研究現(xiàn)狀10-11
• 1.2.2 行車噪聲研究現(xiàn)狀11-13
• 1.2.3 等響度曲線研究現(xiàn)狀13-14
• 1.2.4 聲學(xué)特征研究現(xiàn)狀14-15
• 1.3 研究內(nèi)容15-17
• 第2章 基于MFCC和SVM的基線系統(tǒng)17-33
• 2.1 引言17
• 2.2 基線系統(tǒng)17-28
• 2.2.1 系統(tǒng)框架圖17
• 2.2.2 預(yù)處理17-20
• 2.2.3 特征提取20-21
• 2.2.4 模式分類21-28
• 2.3 實(shí)驗(yàn)及分析28-32
• 2.3.1 實(shí)驗(yàn)數(shù)據(jù)28-29
• 2.3.2 實(shí)驗(yàn)參數(shù)29-30
• 2.3.3 實(shí)驗(yàn)結(jié)果30-32
• 2.4 本章小結(jié)32-33
• 第3章 基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)噪聲模型的聲學(xué)事件檢測33-45
• 3.1 引言33
• 3.2 基于互信息的低頻高頻噪聲相關(guān)度度量33-36
• 3.3 基于RBFNN噪聲模型的聲學(xué)事件檢測算法36-40
• 3.3.1 RBFNN原理36-39
• 3.3.2 RBFNN噪聲模型在聲學(xué)事件檢測中的應(yīng)用算法39-40
• 3.4 實(shí)驗(yàn)及分析40-44
• 3.4.1 基于RBFNN噪聲模型的實(shí)驗(yàn)系統(tǒng)框架圖41
• 3.4.2 噪聲數(shù)據(jù)41-42
• 3.4.3 實(shí)驗(yàn)結(jié)果42-44
• 3.5 本章小結(jié)44-45
• 第4章 基于等響度曲線計(jì)權(quán)濾波器的聲學(xué)事件檢測45-51
• 4.1 引言45
• 4.2 基于A-WEIGHTING的聲學(xué)事件檢測算法45-48
• 4.2.1 等響度曲線45-46
• 4.2.2 基于等響度曲線的A-Weighting46-47
• 4.2.3 A-Weighting在聲學(xué)事件檢測中的應(yīng)用算法47-48
• 4.3 實(shí)驗(yàn)及分析48-50
• 4.3.1 基于A-Weighting的實(shí)驗(yàn)系統(tǒng)框架圖48
• 4.3.2 實(shí)驗(yàn)結(jié)果48-50
• 4.4 本章小結(jié)50-51
• 第5章 基于基頻軌跡特征的快速聲學(xué)事件檢測51-58
• 5.1 引言51
• 5.2 基于基頻軌跡特征的聲學(xué)事件檢測算法51-55
• 5.2.1 基頻軌跡51-52
• 5.2.2 二值語譜圖52-53
• 5.2.3 基頻定位算法53-54
• 5.2.4 軌跡提取算法54
• 5.2.5 基頻軌跡特征在聲學(xué)事件檢測中的應(yīng)用算法54-55
• 5.3 實(shí)驗(yàn)及分析55-56
• 5.3.1 基于基頻軌跡特征的實(shí)驗(yàn)系統(tǒng)框架圖55
• 5.3.2 實(shí)驗(yàn)結(jié)果55-56
• 5.4 本章小結(jié)56-58
• 結(jié)論58-59
• 參考文獻(xiàn)59-64
• 已發(fā)表論文64-66
• 致謝66

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 石自強(qiáng);韓紀(jì)慶;鄭鐵然;;魯棒聲學(xué)事件檢測綜述[J];智能計(jì)算機(jī)與應(yīng)用;2012年06期

本文編號(hào)：768765