麦克风阵列声源定位系统设计与实现
发布时间：2021-05-28 14:58
由于城市居民的汽车保有数量迅速增加,导致城市交通系统的压力增大,同时也带来了汽车鸣笛等交通噪声污染的问题。这些问题严重影响到了居民正常的生产生活。而现阶段最常见的汽车鸣笛噪声的识别定位的方法,是通过人工判断的方式,该方法效率低且浪费人力资源。因此通过麦克风阵列实现汽车鸣笛声源定位的方法,被提出研究并在日常生活中使用。通过麦克风阵列可以获取空间中声源传播的声音数据和空间位置等信息。麦克风阵列声源定位系统可以利用这些信息,通过声源定位算法计算出目标声源的实际位置。因此,本文的主要任务是通过自行设计的麦克风阵列,接收道路中的音频信号,识别其中是否包含鸣笛声音,在对包含鸣笛声音的音频信号进行分析,计算出鸣笛车辆的具体方向和实际位置。首先,本文介绍了基于卷积神经网络的汽车鸣笛识别系统的结构、原理和方法。利用能零积判断麦克风接收到的信号中是否包含鸣笛信号或类似的高能信号;再提取出该信号中的声学特征参数MFCC+GFCC,与其动态特性相互结合;将其作为卷积神经网络的输入层代入搭建好的卷积神经网络模型中进行训练。通过仿真实验,与传统的BP神经网络模型的识别结果进行对比,证明混合特征参数的卷积神经网络在...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
生活中常见的麦克风阵列应用
电子科技大学硕士学位论文6第二章基于卷积神经网络的车辆鸣笛识别本章主要介绍麦克风车辆鸣笛定位系统中的车辆鸣笛识别部分，基于卷积神经网络，主要阐述其原理与具体识别方法。本文主要是通过麦克风获取未知的环境声音，判断是否存在车辆鸣笛声或类似的声音，再对其进行识别，具体的识别流程如图2-1所示。图2-1汽车鸣笛识别工作流程图鸣笛检测是根据通过分析接收信号的时域特征，判断麦克风阵列是否接收到车辆鸣笛信号或具有类似特征的声源信号。预处理主要是为了实现分帧加窗等目的，便于后期处理。特征提取是负责提取接收的声源信号的一些具有区分性的特征，将这一部分作为特征向量，成为下一部分分类识别的输出。分类识别部分是通过输入的特征向量，判断输入信号是属于哪一类别。本文主要是通过卷积神经网络利用提取的声源特征参数对接收的声音信号进行判断，分析其中是否包含鸣笛信息。本章将按照汽车鸣笛识别的工作流程进行介绍，并针对收集到的鸣笛数据进行仿真实验，分析实验结果。2.1汽车鸣笛声音预处理汽车鸣笛信号的预处理主要是分帧与加窗。鸣笛信号的分析过程也是建立在短时分析基础上，一般认为在很短时间范围内，该信号的特性基本保持一致。帧的时间长度一般取10~30ms，帧数与采样率相关。同时，由于直接分帧会导致音频信号的部分信息不连续，为保证每帧信号之间可以实现平滑过渡，因此相邻帧之间会存在一段重合的信号，被称为帧移。帧移一般取值为帧长的0~1/2。分帧示意图如下图2-2所示。为了便于后续的快速傅立叶变换，本文将帧长设定为256个采样点，帧移设定为128个采样点。图2-2音频信号分帧示意图（N为帧长，M为帧移）
第二章基于卷积神经网络的车辆鸣笛识别7信号的频域分析一般使用傅立叶变换，而分帧后的信号做傅立叶变换时可能由于数据不连续出现频谱泄漏等问题。因此为了使分帧后的信号在频域拥有良好性能，需要对分帧后的音频信号加窗处理，从而消除分帧所产生截断效应。除此之外加窗还可以实现语音的活动性检测，将声音的宽带模型转化为窄带模型等功能。而汉宁窗是应用最为广泛的窗函数，其是一种升余弦窗，可以有效的消除高频干扰和漏能，因此本文采用汉宁窗作为窗函数。2.2汽车鸣笛声音检测现代社会中的汽车鸣笛声，根据车辆喇叭的声音动力主要不同，可以主要分成气喇叭和电喇叭。车载气喇叭需要使用汽车上带有的空气压缩器，鸣笛时从中喷射出气流，推动一个金属薄膜片振动，因而发出鸣笛声。由于这一类的喇叭必须有一个空气压缩机，所以导致其体型较大。气喇叭音量大，传播范围远，所以一般安装在大型客车或是重型货车等。相较而言，电喇叭是利用电磁学原理使金属薄片振动，所以体积较小，重量较轻。城市道路中的中小型汽车一般安装的均为这种喇叭。因为本文的主要研究是城市道路中的车辆鸣笛问题，所以主要讨论电喇叭的鸣笛声识别。常见的民用车辆的喇叭，喇叭声的音量级处于70db-120db，其频率主要处于500Hz-4000Hz。如图2-3所示。上图显示的是鸣笛声的短时时域波形，下图显示的是鸣笛声的声谱图。图2-3短时时域波形与声谱图利用汽车鸣笛信号高频高能的特点，通常采用语音端点检测技术，实现笛声检测。通常采用的方法包括：能量阈值[56]、基音检测[57]、倒谱分析[58]、线性预测[59]
【参考文献】：
期刊论文
[1]一种改进的FDA–MIMO雷达波束形成算法[J]. 李星星,熊智敏,王党卫,马晓岩. 太赫兹科学与电子信息学报. 2020(04)
[2]声源定位技术在工业噪声控制中的应用[J]. 张玮晨,应乐惇,周裕德,邵志跃,李志远,李俊. 中国环保产业. 2019(10)
[3]圆形平面麦克风阵列构型的优化设计方法[J]. 李政仪,宫二玲,曹孟华. 传感器与微系统. 2019(10)
[4]麦克风阵列安装偏差引起的旋转声源定位误差[J]. 鲍欢,杨明绥,马威. 航空动力学报. 2019(08)
[5]基于Zynq的麦克风阵列同步高速采集系统设计[J]. 金恒康,张一闻. 电子科技. 2019(07)
[6]汽车鸣笛声实时抓拍的理论研究和系统实现[J]. 袁芳,闫建伟,张勇,李屹超,王玉芬. 电声技术. 2018(11)
[7]基于传声器阵列的汽车鸣笛声定位算法及实现[J]. 张焕强,黄时春,蒋伟康. 噪声与振动控制. 2018(03)
[8]基于优化正交匹配追踪和深度置信网的声音识别[J]. 陈秋菊,李应. 计算机应用. 2017(02)
[9]Near-Field Source Localization Using Spherical Microphone Arrays[J]. HUANG Qinghua,ZHANG Guangfei,LIU Kai. Chinese Journal of Electronics. 2016(01)
[10]基于GFCC与RLS的说话人识别抗噪系统研究[J]. 茅正冲,王正创,黄芳. 计算机工程与应用. 2015(10)
博士论文
[1]基于麦克风阵列的声源定位技术研究[D]. 秦艳华.北京邮电大学 2019
[2]基于麦克风阵列的声源定位算法研究[D]. 居太亮.电子科技大学 2006
硕士论文
[1]基于深度学习的汽车违法鸣笛识别方法研究[D]. 郑皓.兰州交通大学 2018
[2]基于小型麦克风阵列的低空无人飞行器探测系统研究[D]. 潘祺凰.南京理工大学 2018
[3]基于Android的智能音响系统的设计与实现[D]. 杨瑞光.北京交通大学 2017
[4]基于麦克风阵列的声源被动定位技术研究[D]. 薛彦杰.中北大学 2017
[5]基于麦克风阵列的声音识别与定位算法研究[D]. 张铁成.南京师范大学 2016
[6]基于多组麦克风阵列的枪声定位算法研究[D]. 佘大鹏.国防科学技术大学 2015
[7]基于SVM的昆虫声音识别与驱蚊剂定量构效关系[D]. 梁景华.湖南农业大学 2015
[8]基于卷积深度置信网络的歌手识别[D]. 何灼彬.华南理工大学 2015
[9]环境异常状况声音特征研究[D]. 姚晓欣.北方工业大学 2014
[10]气动噪声源的麦克风阵列识别定位技术研究[D]. 黄奔.中国空气动力研究与发展中心 2014
本文编号：3208256
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
生活中常见的麦克风阵列应用
电子科技大学硕士学位论文6第二章基于卷积神经网络的车辆鸣笛识别本章主要介绍麦克风车辆鸣笛定位系统中的车辆鸣笛识别部分，基于卷积神经网络，主要阐述其原理与具体识别方法。本文主要是通过麦克风获取未知的环境声音，判断是否存在车辆鸣笛声或类似的声音，再对其进行识别，具体的识别流程如图2-1所示。图2-1汽车鸣笛识别工作流程图鸣笛检测是根据通过分析接收信号的时域特征，判断麦克风阵列是否接收到车辆鸣笛信号或具有类似特征的声源信号。预处理主要是为了实现分帧加窗等目的，便于后期处理。特征提取是负责提取接收的声源信号的一些具有区分性的特征，将这一部分作为特征向量，成为下一部分分类识别的输出。分类识别部分是通过输入的特征向量，判断输入信号是属于哪一类别。本文主要是通过卷积神经网络利用提取的声源特征参数对接收的声音信号进行判断，分析其中是否包含鸣笛信息。本章将按照汽车鸣笛识别的工作流程进行介绍，并针对收集到的鸣笛数据进行仿真实验，分析实验结果。2.1汽车鸣笛声音预处理汽车鸣笛信号的预处理主要是分帧与加窗。鸣笛信号的分析过程也是建立在短时分析基础上，一般认为在很短时间范围内，该信号的特性基本保持一致。帧的时间长度一般取10~30ms，帧数与采样率相关。同时，由于直接分帧会导致音频信号的部分信息不连续，为保证每帧信号之间可以实现平滑过渡，因此相邻帧之间会存在一段重合的信号，被称为帧移。帧移一般取值为帧长的0~1/2。分帧示意图如下图2-2所示。为了便于后续的快速傅立叶变换，本文将帧长设定为256个采样点，帧移设定为128个采样点。图2-2音频信号分帧示意图（N为帧长，M为帧移）
第二章基于卷积神经网络的车辆鸣笛识别7信号的频域分析一般使用傅立叶变换，而分帧后的信号做傅立叶变换时可能由于数据不连续出现频谱泄漏等问题。因此为了使分帧后的信号在频域拥有良好性能，需要对分帧后的音频信号加窗处理，从而消除分帧所产生截断效应。除此之外加窗还可以实现语音的活动性检测，将声音的宽带模型转化为窄带模型等功能。而汉宁窗是应用最为广泛的窗函数，其是一种升余弦窗，可以有效的消除高频干扰和漏能，因此本文采用汉宁窗作为窗函数。2.2汽车鸣笛声音检测现代社会中的汽车鸣笛声，根据车辆喇叭的声音动力主要不同，可以主要分成气喇叭和电喇叭。车载气喇叭需要使用汽车上带有的空气压缩器，鸣笛时从中喷射出气流，推动一个金属薄膜片振动，因而发出鸣笛声。由于这一类的喇叭必须有一个空气压缩机，所以导致其体型较大。气喇叭音量大，传播范围远，所以一般安装在大型客车或是重型货车等。相较而言，电喇叭是利用电磁学原理使金属薄片振动，所以体积较小，重量较轻。城市道路中的中小型汽车一般安装的均为这种喇叭。因为本文的主要研究是城市道路中的车辆鸣笛问题，所以主要讨论电喇叭的鸣笛声识别。常见的民用车辆的喇叭，喇叭声的音量级处于70db-120db，其频率主要处于500Hz-4000Hz。如图2-3所示。上图显示的是鸣笛声的短时时域波形，下图显示的是鸣笛声的声谱图。图2-3短时时域波形与声谱图利用汽车鸣笛信号高频高能的特点，通常采用语音端点检测技术，实现笛声检测。通常采用的方法包括：能量阈值[56]、基音检测[57]、倒谱分析[58]、线性预测[59]
【参考文献】：
期刊论文
[1]一种改进的FDA–MIMO雷达波束形成算法[J]. 李星星,熊智敏,王党卫,马晓岩. 太赫兹科学与电子信息学报. 2020(04)
[2]声源定位技术在工业噪声控制中的应用[J]. 张玮晨,应乐惇,周裕德,邵志跃,李志远,李俊. 中国环保产业. 2019(10)
[3]圆形平面麦克风阵列构型的优化设计方法[J]. 李政仪,宫二玲,曹孟华. 传感器与微系统. 2019(10)
[4]麦克风阵列安装偏差引起的旋转声源定位误差[J]. 鲍欢,杨明绥,马威. 航空动力学报. 2019(08)
[5]基于Zynq的麦克风阵列同步高速采集系统设计[J]. 金恒康,张一闻. 电子科技. 2019(07)
[6]汽车鸣笛声实时抓拍的理论研究和系统实现[J]. 袁芳,闫建伟,张勇,李屹超,王玉芬. 电声技术. 2018(11)
[7]基于传声器阵列的汽车鸣笛声定位算法及实现[J]. 张焕强,黄时春,蒋伟康. 噪声与振动控制. 2018(03)
[8]基于优化正交匹配追踪和深度置信网的声音识别[J]. 陈秋菊,李应. 计算机应用. 2017(02)
[9]Near-Field Source Localization Using Spherical Microphone Arrays[J]. HUANG Qinghua,ZHANG Guangfei,LIU Kai. Chinese Journal of Electronics. 2016(01)
[10]基于GFCC与RLS的说话人识别抗噪系统研究[J]. 茅正冲,王正创,黄芳. 计算机工程与应用. 2015(10)
博士论文
[1]基于麦克风阵列的声源定位技术研究[D]. 秦艳华.北京邮电大学 2019
[2]基于麦克风阵列的声源定位算法研究[D]. 居太亮.电子科技大学 2006
硕士论文
[1]基于深度学习的汽车违法鸣笛识别方法研究[D]. 郑皓.兰州交通大学 2018
[2]基于小型麦克风阵列的低空无人飞行器探测系统研究[D]. 潘祺凰.南京理工大学 2018
[3]基于Android的智能音响系统的设计与实现[D]. 杨瑞光.北京交通大学 2017
[4]基于麦克风阵列的声源被动定位技术研究[D]. 薛彦杰.中北大学 2017
[5]基于麦克风阵列的声音识别与定位算法研究[D]. 张铁成.南京师范大学 2016
[6]基于多组麦克风阵列的枪声定位算法研究[D]. 佘大鹏.国防科学技术大学 2015
[7]基于SVM的昆虫声音识别与驱蚊剂定量构效关系[D]. 梁景华.湖南农业大学 2015
[8]基于卷积深度置信网络的歌手识别[D]. 何灼彬.华南理工大学 2015
[9]环境异常状况声音特征研究[D]. 姚晓欣.北方工业大学 2014
[10]气动噪声源的麦克风阵列识别定位技术研究[D]. 黄奔.中国空气动力研究与发展中心 2014
本文编号：3208256
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3208256.html
