基于通话背景音的飞机类型识别方法研究

发布时间：2024-11-02 01:01

　　目前对于截取飞机短波无线电通信音频,识别飞机类型的工作主要是通过人工侦听来识别声音信号中关于飞机发动机的声音以此来推断飞机的类型。但是这种通过人耳进行识别的方法往往误差很大,主要原因有两个,一是截取的声音信号非常短,可能就几十毫秒;另一个是截取到的飞机的声音信号中混杂着各种噪声,使识别难度增大。由此可以看出,研究对飞机舱音、驾驶员通话背景音的分类识别,具有非常重要的意义。目前关于通过飞机舱背景音进行飞机类型识别的文献很少。本文主要研究了两种针对声音信号特征提取的方法,并且分别对其进行了仿真实验,通过分析,得出通过梅尔频率倒谱系数算法计算得到的信号特征更适合本文所用的声音信号。根据得到的信号特征,本文选用BP神经网络、朴素贝叶斯分类器和支持向量机分别来对八种飞机的通话背景声音进行分类识别。与BP神经网络和朴素贝叶斯分类器相比,支持向量机更适合对样本规模较小的数据分类,分类准确率高。然而支持向量机的分类效果受参数的影响较大,为寻找到最优的参数,本文还采用了粒子群算法与和声搜索算法优化支持向量机的参数。本文分别用BP神经网路、朴素贝叶斯分类器、支持向量机、粒子群算法优化的支持向量机与和声搜索算...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
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 飞机舱音噪声的研究现状
        1.2.2 声音信号特征提取的研究现状
        1.2.3 分类器的研究现状
    1.3 论文研究内容和结构安排
第2章 特征提取的方法研究
    2.1 小波包变换算法
        2.1.1 小波包简介
        2.1.2 小波包的性质
        2.1.3 小波包快速算法
        2.1.4 常用的小波函数
    2.2 MFCC算法
        2.2.1 MFCC简介
        2.2.2 MFCC算法组成
    2.3 仿真实验
        2.3.1 小波包分析
        2.3.2 MFCC特征提取
    2.4 本章小结
第3章 分类方法的研究与实验对比
    3.1 BP神经网络分类器
        3.1.1 BP神经网络简介
        3.1.2 BP神经网络的优缺点
    3.2 朴素贝叶斯分类器
        3.2.1 朴素贝叶斯分类算法的简介
        3.2.2 朴素贝叶斯的算法
        3.2.3 朴素贝叶斯的优缺点
    3.3 支持向量机分类器
        3.3.1 支持向量机简介
        3.3.2 多分类支持向量机
        3.3.3 支持向量机的优缺点
    3.4 仿真实验对比
    3.5 本章小结
第4章 基于优化SVM的飞机类型的识别
    4.1 基于SVM的飞机类型识别方法
        4.1.1 方法简介
    4.2 粒子群算法优化SVM分类器
        4.2.1 粒子群算法简介
        4.2.2 基于粒子群算法优化SVM分类器
    4.3 和声搜索算法优化SVM分类器
        4.3.1 和声搜索算法简介
        4.3.2 和声搜索算法参数分析
        4.3.3 基于和声搜索算法优化SVM分类器
    4.4 实验结果对比及分析
        4.4.1 参数的设置
        4.4.2 实验结果分析
    4.5 本章小结
结论
参考文献
致谢



本文编号：4008774