一、一种多门限过零率前端检测理论的参数自优化方法研究(论文文献综述)
田昨非[1](2019)在《针对涡流效应的信号检测及其在金属检测中的应用》文中研究指明金属检测(Metal Detection,MD)技术自工业化发展以来得到了广泛的利用。现如今这项技术的应用不仅使工业受益,也使人们的安全得到了保障。在一些重要的场合下,危害公共安全的物品,尤其是金属物品是禁止携带的,必须提前对相关人员随身物品进行检查与控制,而最常用的检测工具就是金属检测装置。现有的许多金属检测装置不仅检测灵敏度低,耗费了许多人力进行辅助,而且系统稳定性不佳,误报率高。因此,面对如此笨重且形同虚设的金属检测系统,需要一种与时俱进的金属检测技术提供支持,降低危害安全的情况发生。故本文基于此应用场景对金属检测技术进行了深入的研究。本文首先以涡流效应为基础,通过对涡流检测(Eddy Current Testing,ECT)原理的梳理,认识了涡流的分布特性,分析了影响涡流检测的主要五种因素,并建立了涡流检测的几何模型与电路模型,以此总结了金属检测的流程。然后根据需求对金属检测系统进行了设计,确定了涡流传感器结构,通过数字信号处理(Digital Signal Processing,DSP)方法实现从发射端到接收端信号的生成和提取过程,并按照检测流程对系统中各模块的功能和算法进行阐述说明。依照此金属检测技术搭建测试环境,根据国标对系统检测灵敏度进行测试。利用最小二乘(Least Square,LS)估计感应信号斜率,为金属类别的检测提供了可能。其次,在此系统的基础上,结合实际应用分析了系统设计中存在的缺陷,对系统进行了优化:以梳状陷波滤波器消除工频干扰,以全通滤波器(All Pass Filter,APF)进行移相处理减小相位扰动,以差分幅度检测方法抑制温度漂移。改进后系统在检测能力与检测稳定性上都具有不错的表现。最后,以端点检测为主对感应信号进行预处理以生成样本集,搭建人工神经网络(Artificial Neural Network,ANN)模型,将其用于金属物体类别的检测。采用交叉验证对神经网络进行了调试与性能分析,确定了网络参数。测试神经网络的分类能力,并与幅度-相位的分类方法进行比较,结果表明基于神经网络的金属物体分类技术是有效的。
张紫莹[2](2019)在《基于语音关键词检测的监所报警系统软件研发》文中进行了进一步梳理在我国司法体系中,监所担负着执行法纪、维护社会稳定的重要职责,建设一套完善的监所安防报警系统对保障监所的安全稳定运行具有重要意义。传统的以人工触发报警与监控视频分析报警相结合的报警系统具有误报率高、实时性不足、存在监控盲区等问题。引入语音关键词检测技术可有效解决上述问题,因此,研发基于语音关键词检测的监所报警系统对完善监所安防报警系统具有重要意义与工程应用价值。本论文针对当前监所对报警系统可靠性、实时性、完整性的要求,设计研发了基于语音关键词检测的监所报警系统软件。软件采用B/S架构设计,主要实现了语音报警分析、实时报警推送、历史报警回溯等功能。软件通过设备接入层实时采集语音数据,通过基于GMM建模的语音端点检测方法实现断句,采用并发编程技术设计实现了多路并行的基于CNN的语音关键词检测方法,并通过对检测结果进行策略分析生成报警或预警事件,同时进行实时推送与记录存储。系统针对监所应用场景的特点,改进了训练数据集的构建方案与数据模型的构建方法,并针对报警实时性需求对基于Kaldi框架的语音关键词检测流程进行了优化,有效提升了算法的检测准确率与执行效率。另外,系统针对语音监控需求,设计实现了一套基于MSE+WebSocket的流式音频播放框架,满足用户对语音实时播放与报警记录回放的需求。经测试,系统的语音关键词检测准确率达到了 97%以上,8路并行语音报警分析任务耗时为1.2s~1.6s,实时音频播放延时在1.5s以内,在功能和性能上均满足系统需求。
卜令冉[3](2018)在《物种间鲸声信号识别与分类方法研究》文中研究表明鲸类动物可以通过发出不同类型的声音信号进行水下目标定位、个体间通信、目标识别以及环境感知等活动。对鲸声信号的研究可以指导人类更好地保护海洋哺乳动物以及更合理地开发海洋生物资源。对鲸类动物进行被动声学监测是鲸声信号研究的重要技术手段,在监测过程中,对来自不同种鲸的声音信号进行准确检测、识别和分类是后续被动监测应用的前提和基础,具有十分重要的意义。本文对物种间鲸声信号的识别与分类方法进行了研究,主要研究内容和完成的工作包括:1、基于国内外研究现状和相关技术手段,对物种间鲸声信号识别与分类方法的关键技术进行了分析;针对不同类型鲸声信号的时频特点,分别提出了鲸点击信号识别与分类方法和鲸哨声信号识别与分类方法的总体方案。2、对识别与分类过程中的声音去噪环节进行了研究,通过对鲸点击信号和鲸哨声信号的去噪实验,分别研究和分析了不同方法对两种鲸声信号的去噪效果,根据实验结果选择合适的去噪方法完成鲸点击信号和鲸哨声信号的去噪。3、提出了一种基于传统端点检测技术、传统时频分析技术和传统分类方法的鲸点击信号识别与分类方法。对鲸点击信号进行小波变换,设计算法对小波系数矩阵中的有效系数区域进行自适应估计,提出了一种基于有效系数区域的时频特征提取算法以自适应提取鲸点击信号的持续时间和能量分布特征。以抹香鲸点击、长鳍领航鲸点击、噪声干扰和人工声呐干扰信号作为实验数据,对该识别与分类方法的有效性进行了实验验证。4、提出了一种基于卷积神经网络的鲸哨声信号识别与分类算法。基于卷积神经网络强大的数据学习和特征抽象能力,分别设计了鲸哨声信号检测模型与鲸哨声信号分类模型,实现了端点检测、特征提取与分类过程中相关参数的自适应学习。基于PyQt设计了用户图形界面程序,实现检测与分类过程的可视化。以虎鲸和长鳍领航鲸的哨声信号作为实验数据,对该识别与分类方法的有效性进行了实验验证。实验结果表明,本文提出的鲸点击信号识别与分类方法和鲸哨声信号识别与分类方法分别在相应的实验数据集上获得了95%以上的检测正确率或分类正确率。本文提出的物种间鲸声信号识别与分类方法可应用于被动声学监测、被动声呐探测等领域。
胡涛[4](2018)在《基于卷积神经网络的异常音频事件检测的研究》文中进行了进一步梳理音频信号作为生活中常见的蕴含特定信息的载体,已经成为人类获取信息以及传播信息最为有效的途径之一,因此被普遍的应用在生物医学、工业生产以及农业监管等领域中。伴随着经济水平的日益提高,为了营造更为稳定和安全的社会环境,就需要构建成熟的立体化社会治安防范体系。监控系统则成为了保障和维护社会安全的重要手段,而传统的视频监控由于自身的局限性,其实际监控的性能往往并不理想,因而音频监控受到了极大的关注,充分利用音频信号中所携带的信息来辅助视频监控能够完善现有的监控体系。音频事件检测是音频监控的核心和关键。因为环境声音更加复杂多样化且混乱无规律性,传统的声学模型(支持向量机、高斯混合模型和隐马尔可夫模型等)由于缺乏建模能力,导致存在明显的缺陷。近年来,深度学习被成功的引入到音频事件检测领域中,有效的改善了检测的效果。因此,本文在对异常声音特性分析和公共场所的环境噪声进行建模的基础之上,对卷积神经网络在异常声音识别中的适用性及其识别性能进行了研究,并且针对网络模型的维度变化在噪声鲁棒性以及误差收敛速度等方面的影响进行了详细的比较。文中主要开展的工作内容如下:(1)公共场所的声学环境下音频信号前端处理算法研究。通过对公共场所的环境噪声成分进行分析,得出该声学环境下噪声的分布特点和时频特性,并对公共场所下噪声和异常声音的混合方式进行建模。在此基础上分别确定了音频信号的端点检测算法以及声音去噪算法。在声音去噪的部分,对适用于公共场所下的基于改进的自适应滤波器的异常声音去噪方法进行了研究,通过实验表明,该方法能够有效的抑制噪声,即便在低信噪比下去噪效果仍然十分显着。在端点检测的部分,实验性的分析了基于短时能量和过零率的双门限法与基于自适应子带谱熵法两种端点检测方法,得出自适应子带谱熵法在噪声环境下具有更好的稳定性与准确性。(2)具有良好标注的训练数据相对稀缺问题的解决方法的研究。获得高效准确的声学模型需要庞大的训练数据来支撑。由于训练数据资源匮乏,使得声学模型研究受到了极大的限制,本文提出了通过数据增强方法来解决带标签的异常声音样本稀缺的问题,在保证样本标签的实际含义不发生改变的前提下,通过多种方式进行适当转换从已有的训练样本中扩增出新的数据。采用数据增强之后的训练样本进行学习的声学模型对未知因素具有更好的鲁棒性和泛化能力,能够在公共场所这种复杂环境下进行更好的推广。(3)基于卷积神经网络的异常声音识别的研究。通过和高斯混合模型、BP神经网络进行比较,分析和验证了卷积神经网络在异常声音识别任务中的适用性及其识别性能。同时针对音频信号的一维特征对卷积神经网络的结构进行变化和调整,将其与传统的卷积神经网络在识别能力、噪声鲁棒性和误差收敛速度等方面进行比较。实验结果表明,经过简化的卷积神经网络在误差收敛速度方面优于传统卷积神经网络;在识别性能方面,当处于噪声干扰强度大的环境下,传统卷积神经网络性能较好,但是噪声干扰强度小的环境下,适用于一维特征的卷积神经网络性能则优于传统卷积神经网络。(4)基于卷积神经网络的异常音频事件检测系统的研究和实现。在对音频信号前端处理以及音频事件检测算法研究和归纳的基础之上,实现了根据噪声估计来匹配合适的卷积神经网络模型结构的异常音频事件检测系统,该系统在Matlab平台下进行开发,主要具有音频事件检测功能,同时还提供了音频采集和输入、前端处理、模型训练等相关功能模块。在实际测试过程中,该系统具有良好的识别效果。
祁威[5](2016)在《面向汉语儿向语音的检测算法研究》文中认为随着早期教育越来越受到重视,儿向语音这一婴幼儿最早接触的语言得到学者们的关注。由于儿向语音对早期儿童今后成长有着积极影响,如何正确的检测并加以利用是学者长期以来研究的方向。儿向语音检测是语音信号处理研究领域中重要的组成部分,通过提高儿向语音检测的正确率,可以运用在实际的移动设备中,改善成年人与婴幼儿之间的交互体验。当前,儿向语音端点检测技术有基于SVM分类器的儿向语音检测、基于隐马尔可夫模型的语音端点检测,使用SVM分类器对儿向语音特征进行学习,其训练过程中容易造成过拟合;使用隐马尔可夫模型,对语音信号的相关性提出了严格要求;儿向语音检测准确率的高低影响成年人与婴幼儿之间的交互体验。在汉语儿向语音预处理过程中,噪声信号的复杂性也极大影响后续汉语儿向语音检测的性能,通常使用端点检测算法对带噪信号降噪处理,而利用时域参数如:短时能量参数、短时平均过零率进行端点检测,在低信噪比环境下,检测性能大大降低;在某一特定噪声环境下,利用频域特征参数如谱熵能够提升端点检测的准确率,但是在多人讲话环境或背景音乐等噪声环境,其检测效果很不理想。因此,设计了一种基于Adaboost算法的汉语儿向语音检测模型,在测试集上进行检测,训练后的强分类器在准确率和正确率方面大大优于传统的检测算法,为后续的实时交互系统开发提供便利;并且Adaboost算法简单易用,不用对特征参数进行筛选;分类器训练过程中,不用担心过拟合。在汉语儿向语音检测的预处理过程中,进一步优化该过程,设计了一种基于改进谱熵的自适应端点检测算法。不同于常见的端点检测算法中采用的固定门限阈值,这里自适应门限阈值,使得该算法适应多类不同噪声环境下的端点检测。在不同信噪比环境下,通过对比基于谱熵的端点检测算法和本文改进的算法,整体上,后者在端点检测中的准确率有所上升;在低信噪比环境下,后者具有稳定的端点检测性能。
邢立钊[6](2016)在《语音信号端点检测算法的研究》文中研究指明在当前信息科技时代,语音信号识别(ASR)技术、语音信号编码(ASC)技术、及语音信号增强(ASE)技术[1]将会在安防领域、人机交互领域、通信领域以及未来的消费电子产品领域[2]产生强有力的技术支撑作用。通过语音信号端点检测技术,可以准确地分析出一段语音信号中的纯语音信号和静音段[3],该技术直接对ASR、ASE技术的性能和ASC技术的效率产生决定性影响[4]。可以用三个环节来表征一个完整的语音端点检测模型:首先,语音信号预处理环节,包括信号滤波、语音流分帧以及信号加窗等[5]。其次,提取整个语音流的特征向量,小波分析(WA)技术的多分辨率解析特性是提取语音信号特征向量的极好方法[6]。最后,语音端点判别模型的建立[7]。传统的语音端点检测算法有基于时域的双门限法、基于频域的普熵法以及基于倒普特征的检测方法等。针对在低信噪比和复杂的噪声环境下,为了得到满意的端点检测效果,本文提出了基于优化极限学习机(ELM)的端点检测模型,通过优化网络连接参数以弥补算法本身的不足。(1)为了优化ELM神经网络的输入权值和隐含层偏差,结合粒子群优化(PSO)算法,形成了粒子群优化极限学习机(PSO-ELM)端点检测模型。依靠ELM神经网络的快速学习能力,瞬间完成端点检测并输出预测结果。该算法在一定程度上优化了网络连接结构,但是仍然存在一定的缺陷。(2)为了更好的优化ELM神经网络的连接参数,最后采用自适应步长果蝇(FOAMR)算法优化极限学习机,并将优化后算法应用于语音端点判别模型中。在Matlab辅助软件环境中做了大量的仿真实验,通过实验结果可以得出结论,单纯的ELM模型具有最好的快速性和较高的准确率;PSO-ELM模型的准确率有所提升但是训练时间最长;而最终基于自适应果蝇优化ELM模型具有最高的准确率,同时具备了很好的快速性,达到了实际应用的要求。
刘琨,柴天娇,刘铁根,江俊峰,陈沁楠,潘亮,马春宇,何畅[7](2015)在《多防区光纤周界安防系统及入侵快速判定算法》文中进行了进一步梳理基于迈克尔逊干涉仪,利用法拉第旋光反射镜克服偏振诱导信号衰落,同时结合现场可编程逻辑门阵列(FPGA),设计开发了多防区光纤周界安防系统,实现了对多个防区同时进行独立监控。系统结构简单,成本低廉,可扩展性强。从入侵和环境噪声引起的扰动信号的时域特征出发,提取了每帧信号的过门限率、一组信号的报警帧个数和一组信号最大值和最小值的比值差异系数3个特征参量,进而提出了入侵快速判定算法,降低了系统由于外界轻微扰动、风雨等环境因素导致的误报,提高了系统的准确性和实时性,以期实现快速准确判断外界是否存在入侵扰动的目的。实验结果表明,系统报警准确率为90%,漏报率低于2%。
王思远,娄淑琴,梁生,陈京惠[8](2014)在《M-Z干涉仪型光纤分布式扰动传感系统模式识别方法》文中认为针对M-Z干涉仪型光纤分布式扰动传感系统输出信号短时频率随外界扰动变化的特征,提出了基于短时频率-时间特性的模式识别算法。采用提取短时过电平率来描述传感信号的短时平均频率-时间特性,并将提取出来的时频特性分段后建立相应的特征元素模型,通过动态规划算法(DTW)筛选出最优特征元素模型,将信号所有最优模型的参数作为信号特征输入到人工神经网络(ANN)进行学习和判决,降低了ANN的训练难度以及对时间的敏感性,提高了系统的环境适应能力。实验结果表明:该方法可以有效区分瞬时作用、长时作用、径向作用和不规则作用等多种不同扰动事件,平均识别速度在0.26 s之内,平均识别准确度在97%以上。
刘艳辉[9](2014)在《带噪语音信号端点检测算法的研究及实现》文中进行了进一步梳理一个完整的语音识别系统,其最终实现及使用效果不仅限于识别算法,许多相关因素也会影响语音识别系统的成功。语音识别的对象是语音信号,作为识别中的第一个重要环节,端点检测就是要对复杂的环境中的语音信号和非语音信号进行区分,确定有用信号的开始和结束。语音信号通常都存在一定的背景音,在实际环境中,其不可避免地受到各种噪声的影响,语音端点检测是语音识别的第一个关键技术,只有提高语音信号端点检测的精确度,才可以进一步提高语音识别的准确率。本文在已有端点检测算法的基础上,重点研究了以下两点:其一,在MATLAB仿真环境中对各种语音端点检测算法进行了研究,在基于谱熵端点检测算法中,提出了改进的的归一化加权因子。由谱熵的优势和特点,证明了算法的有效性和稳健性。为下文运用谱熵来进行端点检测提供了一种很适合的算法。其二,对基于语音增强的端点检测算法中,重点研究了LMS算法和谱减法。在基本谱减法的基础上,提出了改进谱减法,在解决噪声复杂问题上,引入了自适应噪声平滑。结合改进谱减法和自适应噪声平滑,对含噪语音信号进行端点检测。仿真结果表明,改进算法更能够适应复杂噪声环境,提高了语音信号端点检测的精确度。
王为学[10](2012)在《基于嵌入式声纹识别系统的研究与实现》文中指出近年来,声纹识别技术在逐渐的成熟,声纹识别作为一种生物认证技术,有其独特的优点,如声音是非接触式的,自然的,用户容易接受。因为语言这一媒介的优势,通过语音身份认证技术,声纹识别迅速应用到实际,突出了巨大的市场潜力,声纹识别技术已成为一个新兴的高技术产业。随着计算机硬件和软件技术,半导体技术,电子技术,通信技术和网络技术的发展,以及嵌入式技术的不断发展和更新,其性能和便携性大大提高。实时数据采集,滤波处理,可以在低功耗,体积小的嵌入式设备完成。今天,处理器因为其特殊的结构和高的编译效率使其能够快速的实现声纹识别算法,满足今天的数字信号处理和高实时性的要求。高性能嵌入式声纹识别系统的声纹识别技术,因为方便,经济性,准确性和嵌入式系统的便携性,移动性等优点,被广泛应用于人们的日常生活,拥有广阔的发展前景。本文在分析声纹识别的相关理论与技术的基础上,重点研究了基于Mel倒谱系数(MFCC)的特征参数的提取和DTW算法进行改进,对一些不足之处进行相应的改进。最后,它被应用在基于ARM11与WinCE嵌入式平台下实现的一个小容量的嵌入式声纹识别系统。在前人工作的基础上,本文改进工作主要包括以下三个方面:1.特征提取方面:对标准的MFCC中存在的不足,提出了相应的改进,加权差分结合MFCC语音特征参数。使用短时帧能量和短时加权过零率替代MFCC中有负识别作用的第1,2阶分量,并根据语音成分的不同贡献率进行加权,然后进行一阶差分,最终会合并成一个新的特征参数。2.DTW算法方面:使用改进的DTW算法,替代标准的DTW算法,采用整体路径约束,该算法具有很好的鲁棒性,从而提高了算法的效率和代码质量。3.嵌入式系统实现方面:在基于ok6410的arm11嵌入式系统中的资源相对有限的条件下,进行了一些优化处理。包括操作系统的优化定制和移植,通过跨平台的软件开发,成功在搭建好的嵌入式开发平台上实现了声纹识别系统。并研究分析了改进的DTW算法和传统DTW算法之间的性能差异,对在嵌入式中的运行情况进行了分析。该系统相关的实验,实验结果表明,对同一文本的内容,识别系统的识别率比较高,对文本无关的内容,识别率应该改进;用改进后的算法和特征参数,系统的平均识别率提高4%左右。
二、一种多门限过零率前端检测理论的参数自优化方法研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种多门限过零率前端检测理论的参数自优化方法研究(论文提纲范文)
(1)针对涡流效应的信号检测及其在金属检测中的应用(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要内容与章节安排 |
第二章 金属检测理论基础与分析 |
2.1 涡流检测基本原理 |
2.1.1 电磁感应定律 |
2.1.2 互感现象及诺依曼公式 |
2.1.3 涡流效应 |
2.1.4 趋肤效应 |
2.2 影响涡流检测的几种因素 |
2.3 涡流检测的磁场分析 |
2.3.1 共轴平行环形线圈的磁场分析 |
2.3.2 线圈与球形导体的磁场分析 |
2.4 涡流传感器的电路模型 |
2.5 本章小结 |
第三章 基于涡流效应的金属检测系统 |
3.1 金属检测系统设计 |
3.2 涡流传感器设计 |
3.3 发射端设计 |
3.3.1 频率配置 |
3.3.2 发射信号的生成与处理 |
3.4 接收端设计 |
3.4.1 抽取处理 |
3.4.2 正交解调 |
3.4.3 校准 |
3.4.4 幅度检测 |
3.5 检测灵敏度测试 |
3.6 金属分类 |
3.7 本章小结 |
第四章 金属检测系统的干扰抑制技术研究 |
4.1 工频干扰消除 |
4.2 相位扰动处理 |
4.3 温度漂移抑制 |
4.4 本章小结 |
第五章 基于神经网络的金属检测技术 |
5.1 神经网络基本概念 |
5.1.1 神经网络的基本结构 |
5.1.2 反向传播算法 |
5.2 数据预处理 |
5.3 网络的设计及分类测试 |
5.3.1 网络的设计 |
5.3.2 网络的调试 |
5.3.3 分类测试 |
5.4 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(2)基于语音关键词检测的监所报警系统软件研发(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题背景和意义 |
1.2 国内外现状研究 |
1.2.1 语音识别技术的研究与发展 |
1.2.2 卷积神经网络在语音识别中的应用 |
1.3 本文的研究内容 |
1.4 本文的组织结构 |
1.5 本章小结 |
2 相关技术介绍 |
2.1 语音识别技术 |
2.1.1 语音识别基本原理 |
2.1.2 Kaldi简介 |
2.2 卷积神经网络基本理论 |
2.2.1 卷积神经网络基本结构 |
2.2.2 卷积神经网络训练算法 |
2.3 Web客户端音频处理相关技术 |
2.3.1 React+Redux+Node.js+Express开发框架 |
2.3.2 MSE+WebSocket音频流式播放方案 |
2.3.3 音频编码格式 |
2.4 本章小结 |
3 监所报警系统总体架构设计 |
3.1 系统应用架构 |
3.2 系统软件总体架构 |
3.3 本章小结 |
4 基于卷积神经网络的语音关键词检测算法设计 |
4.1 模型训练方法设计 |
4.1.1 训练数据集构建方案 |
4.1.2 基于N-gram的语言模型构建方法 |
4.1.3 基于CNN-HMM的声学模型训练方法 |
4.2 实时检测方法设计 |
4.2.1 基于GMM建模的语音端点检测 |
4.2.2 基于Kaldi框架的语音关键词检测 |
4.3 本章小结 |
5 监所报警系统软件详细设计 |
5.1 服务端软件详细设计 |
5.1.1 服务端软件模块设计 |
5.1.2 设备接入层设计 |
5.1.3 通信协议设计 |
5.2 Web客户端软件详细设计 |
5.2.1 Web客户端软件模块设计 |
5.2.2 业务流程设计 |
5.3 系统音频处理方案 |
5.3.1 音频编解码 |
5.3.2 语音关键词检测 |
5.3.3 音频播放方案 |
5.4 本章小结 |
6 系统测试与分析 |
6.1 测试概要 |
6.1.1 测试环境 |
6.1.2 测试内容 |
6.2 测试方案和结果 |
6.2.1 功能测试 |
6.2.2 性能测试 |
6.3 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
作者简历 |
(3)物种间鲸声信号识别与分类方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 鲸声信号简介 |
1.2.1 鲸点击信号 |
1.2.2 鲸哨声信号 |
1.3 国内外研究现状及发展趋势 |
1.4 论文研究内容及章节安排 |
第2章 鲸声信号识别与分类方法整体方案设计 |
2.1 研究目标及关键技术 |
2.1.1 研究目标 |
2.1.2 关键技术 |
2.2 鲸声信号识别与分类方法整体方案设计 |
2.2.1 鲸点击信号识别与分类方法整体方案设计 |
2.2.2 鲸哨声信号识别与分类方法整体方案设计 |
2.3 本章小结 |
第3章 鲸声去噪方法研究 |
3.1 鲸声去噪方法概述 |
3.1.1 固定滤波器去噪方法 |
3.1.2 短时傅里叶变换去噪方法 |
3.1.3 维纳滤波方法 |
3.1.4 谱减法去噪方法 |
3.1.5 小波变换去噪方法 |
3.2 鲸声去噪效果实验 |
3.2.1 固定滤波器去噪效果 |
3.2.2 维纳滤波去噪效果 |
3.2.3 谱减法去噪效果 |
3.2.4 短时傅里叶变换去噪效果 |
3.2.5 小波变换去噪效果 |
3.2.6 去噪效果综合比较 |
3.3 本章小结 |
第4章 基于传统方法的鲸点击信号检测与分类方法研究 |
4.1 鲸点击信号检测方法 |
4.2 鲸点击信号时频特征提取方法 |
4.2.1 鲸点击信号的小波变换分析 |
4.2.2 时间特征提取 |
4.2.3 尺度特征提取 |
4.3 鲸点击信号时频特征分类器设计 |
4.3.1 基于人工神经网络的分类器设计 |
4.3.2 基于支持向量机的分类器设计 |
4.4 鲸点击信号检测与分类实验 |
4.4.1 实验数据处理 |
4.4.2 分类器训练与测试 |
4.4.3 实验结果分析 |
4.5 本章小结 |
第5章 基于卷积神经网络的鲸哨声信号检测与分类方法研究 |
5.1 卷积神经网络基本原理 |
5.1.1 卷积层 |
5.1.2 池化层 |
5.1.3 激活函数 |
5.1.4 损失函数及优化算法 |
5.2 基于卷积神经网络的鲸哨声检测模型设计 |
5.2.1 鲸哨声探测模型数据集生成 |
5.2.2 鲸哨声信号检测模型设计 |
5.2.3 鲸哨声信号检测流程 |
5.3 基于卷积神经网络的鲸哨声分类模型设计 |
5.3.1 鲸哨声分类模型数据集生成 |
5.3.2 鲸哨声信号分类模型设计 |
5.3.3 鲸哨声信号分类流程 |
5.4 基于Tensorflow与 PyQt的检测与分类系统实现 |
5.5 鲸哨声信号识别与分类实验 |
5.5.1 鲸哨声信号检测模型训练与测试 |
5.5.2 鲸哨声信号分类模型训练与测试 |
5.5.3 算法整体性能测试 |
5.6 本章小结 |
第6章 全文总结与展望 |
6.1 全文总结 |
6.2 全文展望 |
参考文献 |
发表论文及参加科研情况说明 |
致谢 |
(4)基于卷积神经网络的异常音频事件检测的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究课题的背景及意义 |
1.2 国内外研究现状 |
1.3 存在的问题 |
1.4 论文结构安排 |
第二章 异常声音的分析和前端处理 |
2.1 异常声音信号的特性 |
2.2 异常声音信号的预处理 |
2.2.1 预加重 |
2.2.2 分帧加窗 |
2.3 异常声音的去噪 |
2.3.1 公共场所环境噪声的建模 |
2.3.2 基于改进的自适应滤波器的异常声音去噪方法 |
2.4 异常声音的端点检测 |
2.4.1 基于短时能量和过零率双门限的端点检测算法 |
2.4.2 基于自适应子带谱熵的端点检测算法 |
2.5 本章小结 |
第三章 音频事件检测基础 |
3.1 数据增强 |
3.2 音频信号的特征参数提取 |
3.2.1 线性预测系数 |
3.2.2 线性预测倒谱系数 |
3.2.3 梅尔频率倒谱系数 |
3.2.4 特征参数的比较与分析 |
3.3 常用的声音识别算法 |
3.3.1 基于高斯混合模型的异常声音识别算法 |
3.3.2 基于神经网络的异常声音识别算法 |
3.4 本章小结 |
第四章 基于卷积神经网络的异常声音识别算法 |
4.1 卷积神经网络 |
4.2 不同特征维度下的卷积神经网络 |
4.2.1 声音信号的特征排列方式 |
4.2.2 适用于一维特征的卷积神经网络 |
4.3 实验结果及分析 |
4.3.1 实验数据采集 |
4.3.2 特征参数提取及排列 |
4.3.3 实验参数设置 |
4.3.4 实验结果与分析 |
4.4 本章小结 |
第五章 基于卷积神经网络的异常音频事件检测系统 |
5.1 系统的设计 |
5.1.1 系统功能设计 |
5.1.2 系统流程设计 |
5.2 系统界面演示与运行测试 |
5.3 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间取得的学术成果 |
(5)面向汉语儿向语音的检测算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 语音检测技术的研究 |
1.2.2 儿向语音语料的相关研究 |
1.2.3 儿向语音检测算法的研究 |
1.3 本文主要研究内容 |
1.4 本文章节安排 |
第2章 语音信号处理的相关理论 |
2.1 语音信号的相关理论 |
2.1.1 语音信号的产生 |
2.1.2 语音信号特征 |
2.1.3 噪声语音模型 |
2.2 语音端点检测预处理 |
2.2.1 预加重和预滤波 |
2.2.2 分帧及加窗处理 |
2.3 汉语儿向语音语料库 |
2.4 机器学习 |
2.4.1 决策树 |
2.4.2 支持向量机 |
2.4.3 朴素贝叶斯 |
2.4.4 Adaboost算法 |
2.5 本章小结 |
第3章 基于改进谱熵的自适应端点检测算法 |
3.1 双门限的语音端点检测 |
3.1.1 过零率 |
3.2 基于谱减法的端点检测 |
3.3 基于语音子带特征的端点检测 |
3.4 基于谱熵的端点检测 |
3.5 改进算法的端点检测 |
3.5.1 短时平均能量 |
3.5.2 短时平均谱熵 |
3.6 实验结果分析 |
3.7 本章小结 |
第4章 基于Adaboost算法的汉语儿向语音检测模型 |
4.1 基于SVM的儿向语音检测 |
4.2 汉语儿向语音检测模型 |
4.2.1 Adaboost分类器结构 |
4.2.2 分类器训练 |
4.2.3 分类器检测 |
4.3 基于改进Adaboost的儿向语音检测算法 |
4.4 实验结果与分析 |
4.4.1 实验语音数据 |
4.4.2 分类性能分类度量指标 |
4.4.3 汉语儿向语音和非儿向语音在韵律上的比较 |
4.4.4 弱分类器数量对优化算法的结果影响 |
4.4.5 语音时长对识别检测正确率的影响 |
4.4.6 汉语儿向语音检测算法性能对比 |
4.5 原型系统设计 |
4.6 本章小结 |
结论 |
参考文献 |
致谢 |
附录A 攻读硕士学位期间发表的学术论文 |
附录B 攻读硕士学位期间所参与的科研 |
(6)语音信号端点检测算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 语音端点检测的背景及意义 |
1.1.1 语音端点检测的研究背景 |
1.1.2 语音识别的一般过程 |
1.2 语音端点检测技术的发展现状 |
1.3 本论文主要研究内容 |
2 语音端点检测的传统算法 |
2.1 语音信号预处理 |
2.1.1 语音信号模型 |
2.1.2 语音信号预处理过程 |
2.2 基于时域的端点检测算法 |
2.2.1 短时能量法 |
2.2.2 短时过零率法 |
2.2.3 双门限法 |
2.3 基于频域的语音端点检测算法 |
2.4 基于倒普特征的检测方法 |
2.5 本章小结 |
3 传统神经网络语音端点检测算法 |
3.1 检测的理论依据 |
3.2 检测的系统模型 |
3.3 基于小波分析技术的特征量提取 |
3.3.1 小波分析技术的特点 |
3.3.2 小波分析技术提取特征量 |
3.4 BP神经网络原理及结构 |
3.4.1 人工神经网络 |
3.4.2 前馈神经网络 |
3.4.3 BP神经网络 |
3.5 基于BP神经网络的语音端点检测 |
3.6 本章小结 |
4 基于改进极限学习机的语音端点检测 |
4.1 极限学习机原理 |
4.2 粒子群算法优化极限学习机 |
4.2.1 粒子群优化算法简介 |
4.2.2 粒子群算法优化ELM神经网络 |
4.2.3 基于WA-PSO-ELM的语音端点检测模型设计 |
4.3 自适应果蝇算法优化极限学习机 |
4.3.1 果蝇优化算法原理 |
4.3.2 自适应果蝇优化算法(FOAMR) |
4.3.3 FOAMR-ELM神经网络 |
4.3.4 基于WA-FOAMR-ELM的语音端点检测模型设计 |
4.4 本章小结 |
5 实验及结论分析 |
5.1 端点检测仿真实验环境及评价指标 |
5.2 端点检测仿真实验结果及分析 |
5.2.1 检测准确度对比及分析 |
5.2.2 虚检率和漏检率分析 |
5.2.3 语音端点检测速度分析 |
5.3 端点检测算法的验证 |
5.4 本章小结 |
6 总结展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简历及攻读硕士学位期间取得的研究成果 |
(7)多防区光纤周界安防系统及入侵快速判定算法(论文提纲范文)
1 引 言 |
2 系统结构及理论分析 |
2.1 系统结构及原理 |
2.2 扰动信号的时域特性及入侵快速判定算法 |
4 结 论 |
(8)M-Z干涉仪型光纤分布式扰动传感系统模式识别方法(论文提纲范文)
0 引言 |
1 传感系统信号的短时平均频率特性 |
2 模式识别方案设计 |
2.1 特征元素建模与最优模型筛选 |
2.2 基于ANN的模式识别 |
3 实验结果与讨论 |
4 结论 |
(9)带噪语音信号端点检测算法的研究及实现(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 引言 |
1.2 语音端点检测的研究意义与背景 |
1.2.1 语音端点检测的研究意义 |
1.2.2 语音端点检测的研究背景 |
1.3 端点检测的困难与要求 |
1.4 本文的研究内容与安排 |
2 语音信号端点检测理论 |
2.1 语音信号的产生机制及其数学模型 |
2.1.1 语音信号的产生机制及其特性 |
2.1.2 语音信号的数学模型 |
2.2 语音信号的预处理过程 |
2.2.1 语音信号的数字化 |
2.2.2 语音信号的预处理 |
2.3 语音信号端点检测的分析 |
2.4 本章小结 |
3 常用的语音端点检测算法 |
3.1 基于短时能量和短时过零率的端点检测算法 |
3.1.1 短时能量分析 |
3.1.2 短时过零率分析 |
3.1.3 语音信号的双门限判别 |
3.2 基于小波变换的端点检测算法 |
3.2.1 小波变换的基本理论 |
3.2.2 小波变换的多分辨率分析 |
3.2.3 小波子带方差 |
3.3 基于LPC倒谱特征的端点检测算法 |
3.4 基于分形维数的端点检测算法 |
3.5 本章小结 |
4 基于谱熵的端点检测研究 |
4.1 噪声的分类与特性 |
4.2 谱熵法 |
4.2.1 谱熵原理 |
4.2.2 子带谱熵 |
4.2.3 改进的加权因子 |
4.3 实验仿真及其分析 |
4.4 本章小结 |
5 基于语音增强的端点检测研究 |
5.1 自适应滤波技术 |
5.1.1 自适应滤波器设计 |
5.1.2 自适应滤波算法 |
5.1.3 基于最陡下降法的LMS算法 |
5.2 基于LMS算法的仿真实现 |
5.2.1 自适应滤波器的仿真实现 |
5.2.2 基于自适应滤波的语音端点检测仿真 |
5.3 基本谱减法 |
5.4 基于改进谱减与自适应噪声平滑的端点检测 |
5.4.1 改进谱减法 |
5.4.2 自适应噪声平滑 |
5.5 基于改进谱减与自适应噪声平滑的端点检测仿真 |
5.5.1 算法流程 |
5.5.2 改进算法的语音增强效果及仿真分析 |
5.5.3 改进的语音端点检测算法仿真及分析 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(10)基于嵌入式声纹识别系统的研究与实现(论文提纲范文)
摘要 |
Abstract |
目录 |
Content |
第一章 绪论 |
1.1 本课题的研究背景及意义 |
1.2 声纹识别的发展及现状 |
1.3 声纹识别应用领域 |
1.4 声纹识别概述 |
1.4.1 声纹的概念 |
1.4.2 声纹识别基本原理 |
1.4.3 声纹识别分类 |
1.4.4 声纹识别技术的难点 |
1.5 论文工作与组织结构 |
第二章 语音信号处理 |
2.1 语音信号相关知识 |
2.1.1 语音信号的产生原理 |
2.1.2 语音信号的产生模型 |
2.1.3 语音信号的声学特征 |
2.1.4 语音信号的采样与表示 |
2.1.5 语音信号的分析方法 |
2.2 语音信号预处理 |
2.2.1 预加重 |
2.2.2 分帧 |
2.2.3 加窗 |
2.2.4 端点检测 |
第三章 声纹识别的特征提取 |
3.1 声纹特征参数相关知识 |
3.2 声纹识别主要特征参数 |
3.2.1 线性预测参数提取(LPCC) |
3.2.2 MEL倒谱系数提取(MFCC) |
3.3 改进的MFCC特征参数提取 |
3.4 本章小结 |
第四章 声纹识别系统的核心算法 |
4.1 模板匹配 |
4.2 隐马尔科夫模型(HMM) |
4.2.1 HMM算法的基本思想 |
4.2.2 HMM模型的基本原理 |
4.3 动态时间规整算法(DTW) |
4.3.1 改进的DTW算法 |
4.4 矢量量化技术(VQ) |
4.4.1 矢量量化的基本原理 |
4.4.2 矢量量化的失真测度 |
4.4.3 量化器和码本的设计 |
4.5 人工神经网络算法 |
4.6 系统核心算法的选用 |
第五章 嵌入式声纹识别系统的设计与实现 |
5.1 嵌入式声纹识别的系统需求 |
5.2 嵌入式硬件系统 |
5.2.1 系统的外围硬件电路 |
5.3 嵌入式软件系统 |
5.3.1 嵌入式操作系统的选用 |
5.3.2 WinCE操作系统定制 |
5.4 系统主要模块实现 |
5.4.1 语音信号采集 |
5.4.2 语音信号预处理 |
5.4.3 算法的软件实现 |
5.5 实验结果及分析 |
5.5.1 语音数据库 |
5.5.2 声纹识别实验测试 |
5.6 本章小结 |
总结与展望 |
全文总结 |
工作展望 |
参考文献 |
攻读学位期间发表论文 |
致谢 |
四、一种多门限过零率前端检测理论的参数自优化方法研究(论文参考文献)
- [1]针对涡流效应的信号检测及其在金属检测中的应用[D]. 田昨非. 电子科技大学, 2019(01)
- [2]基于语音关键词检测的监所报警系统软件研发[D]. 张紫莹. 浙江大学, 2019(03)
- [3]物种间鲸声信号识别与分类方法研究[D]. 卜令冉. 天津大学, 2018(06)
- [4]基于卷积神经网络的异常音频事件检测的研究[D]. 胡涛. 安徽大学, 2018(08)
- [5]面向汉语儿向语音的检测算法研究[D]. 祁威. 湖南大学, 2016(03)
- [6]语音信号端点检测算法的研究[D]. 邢立钊. 郑州大学, 2016(02)
- [7]多防区光纤周界安防系统及入侵快速判定算法[J]. 刘琨,柴天娇,刘铁根,江俊峰,陈沁楠,潘亮,马春宇,何畅. 光电子·激光, 2015(02)
- [8]M-Z干涉仪型光纤分布式扰动传感系统模式识别方法[J]. 王思远,娄淑琴,梁生,陈京惠. 红外与激光工程, 2014(08)
- [9]带噪语音信号端点检测算法的研究及实现[D]. 刘艳辉. 河南理工大学, 2014(06)
- [10]基于嵌入式声纹识别系统的研究与实现[D]. 王为学. 广东工业大学, 2012(09)