基于循环神经网络的声学车型识别研究

发布时间：2021-11-13 09:30

　　车辆车型识别作为智能交通运输系统中比较基本的研究方向,一直以来备受国内外相关研究者关注。经历了四十多年的发展,车型识别仍然存在识别率低、抗干扰差及数据采集处理难度大等问题,导致车型识别距离实际场景应用还有一定差距。本文从不同车型车内噪声存在区别为出发点,参考有反馈神经网络在声音识别领域取得的显著成果,提出了基于循环神经网络的车辆噪声识别方法。为参考数据长时间背景信息,充分提取不同车辆噪声的特征信息,本文以有反馈神经网络中的循环神经网络为研究重点,根据循环神经网络的发展现状引入循环神经网络演变形式双向LSTM（Long Short-Term Memory）网络作为车辆噪声识别模型。该识别模型内部隐含层单元选用包含输入,输出及重置控制三个门结构的LSTM单元,各个单元构成了该模型前向传播层和后向传播层两个互不相连的特殊结构层且各单元与输入层为全连接方式。这种网络连接方式能够解决长时间步长双向背景信息参考问题和常见梯度爆炸或消失问题;在最终的识别输出阶段网络采用CTC（Connectionist Temporal Classification）叠加输出的方式,通过最大概率解码方法得到网络最终... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究目的、背景及意义
    1.2 车型识别研究现状
    1.3 本文的主要研究内容
第二章 声音识别模型和循环神经网络
    2.1 声音识别研究内容及流程
    2.2 声音识别常见模型
        2.2.1 模板匹配模型
        2.2.2 高斯混合模型
        2.2.3 神经网络模型
    2.3 循环神经网络
        2.3.1 循环神经网络简介
        2.3.2 长短时间记忆单元
        2.3.3 双向LSTM网络
    2.4 本章小结
第三章 训练数据获取与预处理
    3.1 原始声音信号采集
    3.2 训练测试数据处理
        3.2.1 训练测试数据获取
        3.2.2 数据的特征提取
    3.3 数据的保存读取方式
        3.3.1 数据的存储
        3.3.2 数据的读取
    3.4 本章小结
第四章 基于双向LSTM的车辆噪声识别算法实现
    4.1 LSTM网络实现框架选择
    4.2 LSTM网络参数设定
    4.3 实验结果及分析
        4.3.1 高斯混合模型实验
        4.3.2 无反馈神经网络实验
        4.3.3 循环神经网络实验
    4.4 本章小结
第五章 总结与展望
    5.1 本文内容总结
    5.2 未来与展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于超声波测距及BP神经网络的车型识别[J]. 李长琦,曲仕茹.  计算机测量与控制. 2009(09)
[2]车外噪声控制技术的研究现状及发展趋势[J]. 鲁春艳.  上海汽车. 2007(01)
[3]基于相关系数的相关匹配算法的研究[J]. 朱永松,国澄明.  信号处理. 2003(06)

硕士论文
[1]车辆音频特征分析及车型识别研究[D]. 刘波.武汉理工大学 2007



本文编号：3492778