由于計算機技術飛速發(fā)展以及聲信號辨識與定位技術的不斷完善,信息探測技術已經成為當今戰(zhàn)場中不能缺失的一部分,聲信號探測由于自己全天候、易隱蔽和探測性能好的優(yōu)點,成為了各個國家研究的焦點。但是在真實探測中存在著強噪聲的影響,導致目標聲信號變得“微弱”,難以辨識出當今戰(zhàn)場中各種目標聲信號。因此,展開對微弱聲信號降噪處理、特征提取以及辨識研究具有重要的現(xiàn)實意義,本文從預處理、特征提取以及微弱聲信號辨識三大部分進行分析和設計,構建微弱聲信號辨識系統(tǒng)。（1）針對傳統(tǒng)活動語音檢測在強噪聲環(huán)境下的局限性,提出了一種基于能量概率最大值的自適應活動語音檢測算法,能夠有效地分離帶噪聲信號段與背景噪聲段。另一方面將自適應活動語音檢測算法與最小均方誤差對數(shù)譜幅度估計降噪算法相結合,同時將每幀的噪聲幅度譜進行自適應平滑,相較于傳統(tǒng)最小均方誤差對數(shù)譜幅度估計算法而言,降噪后的目標聲信號的信噪比能夠提高10-18dB。（2）針對腳步聲模型的特性和傳統(tǒng)頻率提取算法不能有效提取微弱聲信號頻率的問題,提出了一種互相關與傅里葉變換相結合的聲信號頻率特征提取算法,經實驗驗證該算法能夠有效提取出微弱聲信號的主要頻率成分,從4類聲... 

【文章來源】： 張皓然 西南科技大學

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

隨機共振框架圖

第二章微弱聲信號理論研究9圖2-2卷積神經網絡基本框架圖輸入層是整個神經網絡的輸入，在聲信號辨識處理中的卷積神經網絡，神經網絡的輸入為目標聲信號通過特征提取而得到的二維圖像。卷積層是整個神經網絡的核心部分，卷積層主要作用是對輸入層的二維矩陣進行卷積處理，搜尋與卷積核相匹配的特征，越與卷積核相匹配的特征，卷積后該區(qū)域的值也就越大，那么該區(qū)域特征就越明顯。池化層也被稱為下采樣層，池化層的目的是為了從原本特征中篩選出更能體現(xiàn)聲音本質的特征，防止過擬合現(xiàn)象。由于樣本特征跟卷積層的核函數(shù)越匹配，該區(qū)域的值就越大，池化層通過每個區(qū)域值來過濾掉較小的特征，能夠最大限度地降低權重參數(shù)，節(jié)省計算消耗。全連接層相當于是整個卷積神經網絡的“分類器”[29]。卷積層和池化層可以理解為聲信號的特征提取過程，全連接層就是對提取到的特征進行分類處理。全連接層與前面兩層不同的是，它是全局操作，它從前一層獲取輸入，并全局分析所有前一層的輸出。然后利用所有特征進行辨識模型的建立，最后用于數(shù)據(jù)分類[21]。輸出層也就是辨識結果的輸出，但是為了防止過擬合問題，通�？梢栽谳敵鰧由厦嫣砑觗ropout層來解決問題。卷積神經網絡作為開始興起的一種聲信號辨識算法，在處理大樣本數(shù)據(jù)集時，具有其他聲信號辨識難以達到的準確率。但是處理小樣本數(shù)據(jù)集時，卷積神經網絡就具有訓練度不夠的局限性，并且聲紋的辨識性能更取決于精準匹配，卷積神經網絡由于自身在池化層階段對特征的優(yōu)化，可能會把低頻數(shù)據(jù)抹除掉，會造成目標聲紋的辨識率下降的情況。在針對微弱聲信號的情況下，由于卷積網絡自身的魯棒性不足，無法對信噪比過低的聲信號進行辨識，不能夠得到很好的聲紋辨識效果。2.3微弱聲信號辨識原理及流程由于本文處

西南科技大學碩士學位論文13圖3-1VAD檢測開幀時間效果圖（-2dB人聲信號）其中圖3-1中紅色垂直實線表示檢測到該段信號中第一段突變信號的開始，實際輸出的開幀時間為檢測到的第一段突變信號開始的時間。VAD作用二：將端點檢測后得出目標聲信號段以外的部分設定為噪聲段，最后將其中長度最長的噪聲段輸出，為后續(xù)降噪提供背景噪聲，并存入背景數(shù)據(jù)庫中，以備VAD失效時降噪算法調用。VAD檢測背景噪聲效果如圖3-2所示。圖3-2VAD截取背景噪聲效果圖（0dB下人聲信號）其中圖3-2中紅色實線和藍色虛線為檢測到一段目標信號的開始和結束，實際輸出的背景噪聲段為藍色虛線和紅色實線之間的噪聲段中最長的一段。由于噪聲影響，使得VAD檢測到的目標信號段會比實際偏長，則得到的背景噪聲段會比實際偏短，最大程度上保證了所截取出的最長噪聲段中不包含突變信號，從而保證為后續(xù)降噪所提供的背景噪聲的準確性。3.2.1VAD基本模塊VAD檢測性能一般由兩個部分來決定，特征提取和目標/非目標判決。通過提取到能分離目標聲信號和背景噪聲的特征，并根據(jù)所選取的特征來設定合適的門限值來作為判決準則，然后將提取得到的特征值與設定的門限值進行對比，從而得到判決結果圖3-3為低信噪比環(huán)境下的VAD算法流程。圖3-3VAD算法流程圖VAD特征選取一般是由其所處理的目標聲信號的特征所決定,根據(jù)域的差異大致可以分成以下三類：第一類為時域特征端點檢測，根據(jù)時域中的特征參數(shù)進行區(qū)分，包括時域能量、對數(shù)能量以及時域短時過零率等特征[31]，時域特征具有計算速度快和

【參考文獻】：
期刊論文
[1]露天礦山爆破信號時頻特征提取與分析[J]. 王陀,林夢吟,曾藝婷,顧城,秦明,付曉強.  三明學院學報. 2020(02)
[2]非接觸戰(zhàn)場傷情探測技術現(xiàn)狀與應用展望[J]. 張楊,呂昊,梁福來,焦騰,于霄,李釗,王健琪.  醫(yī)療衛(wèi)生裝備. 2019(07)
[3]基于FPGA的自適應濾波技術在雷達信號處理中的應用研究[J]. 李軻,張國棟,冀啟東.  艦船電子工程. 2018(12)
[4]藏語語音時域參數(shù)提取關鍵技術研究[J]. 卓嘎,姜軍,董志誠.  電腦知識與技術. 2018(08)
[5]譜減法與維納濾波法相結合的睡眠鼾聲降噪處理[J]. 彭健新,唐云飛.  華南理工大學學報(自然科學版). 2018(03)
[6]低空飛行聲目標特征提取技術研究[J]. 朱紹程,劉利民.  電聲技術. 2017(Z2)
[7]基于卷積神經網絡的目標檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機應用研究. 2017(10)
[8]復雜噪聲場景下的活動語音檢測方法[J]. 郭武,馬嘯空.  清華大學學報(自然科學版). 2016(11)
[9]基于GUI的自適應濾波器仿真平臺設計[J]. 王麗.  軟件導刊. 2015(08)
[10]短時譜特征的漢語重音檢測方法研究[J]. 趙云雪,張瓏,鄭世杰.  計算機科學與探索. 2014(09)

碩士論文
[1]導航信號體制抗壓制式干擾研究[D]. 劉江楠.西安電子科技大學 2017
[2]基于流形學習的語音特征提取研究[D]. 徐玉功.山東大學 2017
[3]基于S變換和改進譜減法的語音識別系統(tǒng)[D]. 蔣淵淵.貴州師范大學 2017
[4]基于LMD和HSMM的旋轉機械故障診斷方法研究[D]. 張菲.西南交通大學 2016
[5]語音端點檢測方法研究[D]. 張超.大連理工大學 2016
[6]快速卷積多載波傳輸方法研究[D]. 趙錦程.東南大學 2016
[7]基于機器學習的多傳感器目標識別技術研究[D]. 李雪飛.沈陽理工大學 2016
[8]基于LMS算法的臺桌式主動隔振系統(tǒng)前饋控制研究[D]. 付翔宇.電子科技大學 2015
[9]列車軸承復雜聲學環(huán)境下軌邊故障診斷方法研究[D]. 王超.中國科學技術大學 2015
[10]基于麥克風陣列的語音增強算法研究[D]. 王永杰.西安電子科技大學 2014



本文編號：2950929