论文部分内容阅读
随着城市化进程加快,城市交通噪声污染越来越突出,已成为亟待解决的社会问题。交通噪声因声信号时变性、叠加性和空时耦合性强,声数据呈现高维、非线性等特点,使得关键声特征提取困难,声特征提取方法复杂度高、数值计算量大、有效性差。因此,如何有效提取声特征并降低提取方法复杂度成为目前多源声场声源精准识别迫切解决的关键科学问题。由此,本文提出短时傅里叶变换(STFT)和局部线性嵌入算法(LLE)联合的STFT-LLE流形学习声特征提取方法,并将此方法应用于运动声特征提取,且通过数值仿真和实验测试对关键算法及核心方法进行了验证。该论文选题源于国家自然科学基金面上项目(61671262、61871447)。论文主要研究工作如下:(1)在深入研究流形学习算法和亚音速运动声特征的基础上,提出了将局部线性嵌入算法(LLE)作为运动声特征提取的核心流形学习算法,并详细探讨了影响流形结构特征的关键因素以及高维特征矩阵的构建方法。(2)提出了采用短时傅里叶变换(STFT)作为声特征提取的第一步,提取结果作为LLE算法输入向量来构建LLE算法的高维特征矩阵,解决该算法中高维特征矩阵构建难题。进一步融合STFT和LLE算法形成STFT-LLE流形学习方法,进行声特征流形学习,并给出该方法的具体实现流程。(3)采用数值仿真对STFT-LLE流形学习方法的声特征提取进行研究。以多种马赫数小于1的匀速直线运动声信号为对象,应用该方法进行运动声特征提取,明确STFT-LLE方法在运动声特征提取中的关键算法的可行性。(4)采用实验测试对STFT-LLE流形学习方法及其运动声特征提取有效性进行实验分析和理论验证。针对采集的轿车(凯越1.6LX-MT)和摩托车(美达威XB125T-11F)声信号,通过4种联合特征提取方法(PSR-PCA、PSR-LLE、STFT-PCA、STFT-LLE)进行声特征提取并将各特征向量送入支持向量机(SVM)分类器。车辆识别实验验证了STFT-LLE流形学习方法的有效性。