本文選題：聲源定位 + 互相關(guān)函數(shù)��； 參考：《南京郵電大學(xué)》2017年碩士論文

【摘要】：隨著多媒體技術(shù)的進一步發(fā)展,麥克風(fēng)陣列技術(shù)在聲源定位中有著日益廣泛的應(yīng)用。然而現(xiàn)今許多的基于麥克風(fēng)陣列的定位技術(shù)有一些缺陷,表現(xiàn)為:在噪聲大、有混響的環(huán)境下定位性能不佳、系統(tǒng)實現(xiàn)所需成本高、計算復(fù)雜等。為了解決上述的問題,本文提出了一種新的基于支持向量機(Support Vector Machine,SVM)的聲源定位算法。SVM是一種基于統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原則的機器學(xué)習(xí)方法,其諸多參數(shù)的選擇直接影響到SVM的性能。為此,本文主要做了以下工作:1.對語音信號的預(yù)處理工作。預(yù)處理工作是十分必要的,因為只有在完成對麥克風(fēng)所接收到的語音信號進行對應(yīng)的預(yù)處理工作后,才能在算法改進的工作基礎(chǔ)上,繼續(xù)提高聲源定位算法的準確率。通過將非平穩(wěn)的、寬帶的語音信號轉(zhuǎn)變?yōu)槠椒�(wěn)的、窄帶的語音信號,這樣能夠便于對后續(xù)定位算法的處理。2.現(xiàn)今,許多麥克風(fēng)陣定位系統(tǒng)所使用的方法的是GCC-PHAT時延估計的定位方法,這種方法的優(yōu)點是抗混響能力較強,計算量較小,但其抗噪聲能力較弱。本文提出一種基于SVM的聲源定位算法,通過提取鑒別互相關(guān)函數(shù)的特征,選取其合適的參數(shù),并對SVM的核函數(shù)進行優(yōu)化。在含有噪聲的混響環(huán)境情況下,這種算法有著顯著的優(yōu)越性。3.為了進一步改進SVM的性能,提出了一種構(gòu)造多個分類器進行組合的構(gòu)想,構(gòu)建并對改進的Adaboost與SVM組合的分類器分析。通過比較單個SVM分類器模型和基于改進的Adaboost與SVM組合分類器模型這兩者之間的準確率以及性能,更加能夠證明這種改進算法的實用價值。
[Abstract]:With the further development of multimedia technology, microphone array technology has been widely used in sound source location. However, there are some defects in many current positioning techniques based on microphone arrays, such as poor positioning performance in noisy and reverberated environments, high cost of system implementation and complex computation. In order to solve the above problems, this paper presents a new sound source location algorithm based on support vector machine support Vector machine. SVM is a machine learning method based on statistical learning theory and structural risk minimization principle. The choice of many parameters directly affects the performance of SVM. For this reason, this article has done the following work mainly: 1. The preprocessing of speech signal. It is very necessary to preprocess the speech signal received by the microphone. Only after the corresponding preprocessing of the speech signal received by the microphone is completed can the accuracy of the sound source location algorithm be improved on the basis of the improved algorithm. By transforming the non-stationary, wideband speech signal into a stationary, narrowband speech signal, this can facilitate the processing of the subsequent localization algorithm. 2. Nowadays, many microphone array positioning systems use the localization method of GCC-PHAT time delay estimation. The advantage of this method is that the anti-reverberation ability is strong, the computation is small, but the anti-noise ability is weak. In this paper, a sound source location algorithm based on SVM is proposed. By extracting the features of the discriminant cross-correlation function, the appropriate parameters are selected, and the kernel function of SVM is optimized. In the reverberation environment with noise, this algorithm has significant advantages. 3. In order to further improve the performance of SVM, a concept of constructing multiple classifiers for combination is proposed, and an improved combination of Adaboost and SVM is constructed and analyzed. By comparing the accuracy and performance between the single SVM classifier model and the improved Adaboost and SVM combined classifier model, the practical value of the improved algorithm can be more proved.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN912.3;TP18

【參考文獻】

相關(guān)期刊論文 前6條

1 張毅;顏博;王可佳;;混響環(huán)境下基于倒譜BRIR的雙耳互相關(guān)聲源定位算法[J];自動化學(xué)報;2016年10期

2 李揚;王鴻鵬;;基于麥克風(fēng)陣列的聲源定位算法研究[J];計算機應(yīng)用與軟件;2016年03期

3 梁禮明;鐘震;陳召陽;;支持向量機核函數(shù)選擇研究與仿真[J];計算機工程與科學(xué);2015年06期

4 張雷岳;張興敢;劉超;;麥克風(fēng)陣列聲源定位中時延估計的改進[J];南京大學(xué)學(xué)報(自然科學(xué));2015年01期

5 樊持杰;司巧梅;徐巖;張丹;蔡春華;于旭;;基于組合核函數(shù)SVM的說話人識別方法[J];科技導(dǎo)報;2015年01期

6 金光明;謝植;張傳義;;基于麥克風(fēng)陣列多聲源定位的新方法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2012年06期

相關(guān)博士學(xué)位論文 前1條

1 崔瑋瑋;基于麥克風(fēng)陣列的聲源定位與語音增強方法研究[D];清華大學(xué);2009年

相關(guān)碩士學(xué)位論文 前3條

1 劉春雨;改進的支持向量機的理論研究及應(yīng)用[D];西北農(nóng)林科技大學(xué);2016年

2 任倚天;基于支持向量機的海量文本分類并行化技術(shù)研究[D];北京理工大學(xué);2016年

3 肖駿;基于麥克風(fēng)陣列的實時聲源定位技術(shù)研究[D];電子科技大學(xué);2015年

，

本文編號：1875018