基于聲信號(hào)的運(yùn)動(dòng)車(chē)輛識(shí)別算法研究與實(shí)現(xiàn).pdf

1、本文結(jié)合項(xiàng)目基于聲信號(hào)的運(yùn)動(dòng)車(chē)輛識(shí)別問(wèn)題展開(kāi)研究工作，利用聲音傳感器采集的聲信號(hào)的特征實(shí)現(xiàn)重型車(chē)和輕型車(chē)的識(shí)別。主要包括目標(biāo)檢測(cè)、特征提取和分類(lèi)器算法的設(shè)計(jì)及DSP實(shí)現(xiàn)。以下是本文的主要內(nèi)容：
　　(1)對(duì)目標(biāo)檢測(cè)算法進(jìn)行了研究。針對(duì)目標(biāo)聲信號(hào)在傳播時(shí)衰減較大，容易受到環(huán)境噪聲的干擾導(dǎo)致識(shí)別變得困難問(wèn)題，利用單元平均恒虛警率(Constant False Alarm Rate,CA-CFAR)技術(shù)控制虛警的同時(shí)減少信噪比損失，從而

2、提高了聲信號(hào)的檢測(cè)性能。本文利用實(shí)測(cè)數(shù)據(jù)進(jìn)行了仿真，結(jié)合實(shí)際背景選擇了算法參數(shù)，結(jié)果表明信噪比>4dB時(shí)，虛警概率pf為25％時(shí)，檢測(cè)概率pd可以達(dá)到接近90%，可以滿足項(xiàng)目的需求。
　　(2)對(duì)聲信號(hào)特征提取算法進(jìn)行了分析。仿真比較了基于FFT、HHT和小波包變換的特征，利用兩種特征選擇方法對(duì)小波包特征進(jìn)行了優(yōu)化，提出了兩種改進(jìn)的小波包特征：最底層小波包能量特征和優(yōu)化小波包能量特征。結(jié)果表明改進(jìn)的小波包特征類(lèi)內(nèi)分散性小，類(lèi)間分散

3、性大，優(yōu)化小波包能量特征維數(shù)大大少于最底層小波包能量特征，適合用于本文的項(xiàng)目開(kāi)發(fā)。
　　(3)仿真比較了常用的分類(lèi)器：KNN分類(lèi)器、貝葉斯分類(lèi)器、支持向量機(jī)分類(lèi)器以及模糊分類(lèi)器，并且利用分層的思想對(duì)傳統(tǒng)的模糊分類(lèi)器進(jìn)行了改進(jìn)，解決了傳統(tǒng)算法分類(lèi)規(guī)則多、效率低的問(wèn)題。仿真結(jié)果表明：分層的模糊分類(lèi)器不僅分類(lèi)識(shí)別率高，而且性能穩(wěn)定，魯棒性好，可以適應(yīng)本文的應(yīng)用環(huán)境。
　　(4)為應(yīng)用到具體的運(yùn)動(dòng)車(chē)輛識(shí)別系統(tǒng)，本文主要采用OMAP-