【正文】 度重視。近幾年來，小波變換等的出現(xiàn)，又給數(shù)字信號處理領域的技術增添了新活力。高速公路在我國的綜合交通運輸體系當中發(fā)揮著十分重要的作用，但是其在運行過程之中，存在擁擠、環(huán)境污染、安全等等問題，特別是近些年來，交通需求量持續(xù)高速增長，問題態(tài)勢不容樂觀，使得公路愈發(fā)擁擠、阻塞愈發(fā)嚴重，城間高速公路事故頻頻發(fā)生。ITS提高交通安全其中的措施之一，就是及時有效地監(jiān)測交通危險因素，以確定那些需要救助、幫扶的出行者。是否出行以及什么時候、什么地段、以什么交通方式外出等等由每個人估算路上時間從而來決定好。 國外研究現(xiàn)狀根據(jù)查閱的文獻資料顯示可以發(fā)現(xiàn)，國外對目標聲信號采集、特征提取和分類識別研究以及運用是相對成熟的。地面戰(zhàn)場的傳感系統(tǒng)的主要功能即完成目標探測與識別和對目標的精確定位、調查跟蹤等等。 國內研究現(xiàn)狀與國外發(fā)達國家相比較，我國地面探測技術相對落后，主要以雷達探測技術為主。然后檢索國內外相關資料，綜合運用實際測試目標數(shù)據(jù)，針對上述的三環(huán)節(jié)進行算法理論的收集整理數(shù)據(jù)、消化吸收理論、編寫調試程序以及測試驗證結論，結合使用MATLAB（Matrix Laboratory）軟件來進行調試、試驗與驗證，比較各個環(huán)節(jié)的算法運用的效果如何，可以挑選出最理想的方案來測試未知車輛聲目標信號。針對車輛聲目標，詳細分析汽車等各種類型聲信號產生機理以及闡述其在不同運動情況下的聲能量傳播特點，然后通過繪制汽車、卡車、摩托車、公交車車型聲信號時域圖、頻譜圖測試分析數(shù)據(jù)特點。綜合整個車輛聲目標識別技術研究過程中的體會與心得，對研究的下一步方向提出了自己的一些想法和認識。聲波信號無論是來自地面，還是空中，它在空氣傳播媒介的特征在全球都有著一致特性，這是聲音信號探測識別的一項優(yōu)點。點聲源在外部空間產生的聲場為： ()式(21)中，為測點聲壓的瞬時值；為頻率；為測點與聲源間的距離；為聲速；為聲源瞬時值。圖22 汽車、卡車、摩托車、公交車聲音信號時域圖 圖23 汽車、卡車、摩托車、公交車聲音信號頻譜圖 聲目標信號分析由上述不同車型的目標聲信號進行的時域、頻域分析，可以得出如下結論：①目標輻射聲音信號與目標相對于接收傳感器的距離有著密切聯(lián)系，目標信號幅值隨著目標的遠去而迅速衰減下去。這種噪聲譜是類似卡車聲的典型特征之一。 本章小結車輛聲目標特征參數(shù)是與整個識別系統(tǒng)性能有著直接聯(lián)系的，本章將汽車、卡車、摩托車、公交車等聲目標信號作為研究對象，討論目標聲信號的產生機理和傳播過程，并結合實際目標特性測試實驗。頂尖的是把它運用在數(shù)學計算、統(tǒng)計、控制、各種信號的處理還有仿真等各方面都表現(xiàn)的非常突出，這已經漸漸成為了現(xiàn)在科研機構的工作人員和企業(yè)進行工程的技術人員的一種主流進行科學各項研究和進行生產的一種非常實用的軟件。此外，Matlab網頁的服務程序允許自己的Matlab圖形程序在Web應用里應用。特征選擇即以規(guī)定的某種分類方法與判決目標特征規(guī)則為標準，從所采樣的特征數(shù)據(jù)中選擇對分類的貢獻能力比較明顯的特征參數(shù)值，刪除掉貢獻甚小的特征。若采用全極點模型，聲門激勵、聲道和輻射的組合譜效應的傳輸函數(shù)為： ()其中p是預測階數(shù)，一般取10；G是一個非負實數(shù)，用于控制系統(tǒng)輸出序列的幅度大小。當其余參數(shù)不變，只改變幀重合長度len時，如下圖(a)(b)(c)所示：(a) 預測階數(shù)p=10， (b) 預測階數(shù)p=10， (c) 預測階數(shù)p=10，幀重合長度len=40， 幀重合長度len=80， 幀重合長度len=160，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數(shù)NN=100 幀數(shù)NN=100 幀數(shù)NN=100 圖33 只改變幀重合長度len時汽車聲綜合比較圖由各圖比較可見，隨著幀重合長度len值越大，則特征值變化幅度越小，圖線越集中。當其余參數(shù)不變，只改變幀數(shù)NN時，如下圖(a)(b)(c)所示：(a) 預測階數(shù)p=10， (b) 預測階數(shù)p=10， (c) 預測階數(shù)p=10，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數(shù)NN=50 幀數(shù)NN=100 幀數(shù)NN=150圖310 只改變幀數(shù)NN時卡車聲綜合比較圖由各圖比較可見，當NN值越大時（即幀數(shù)越多），則特征值數(shù)據(jù)量越大，變化量也越多。如下圖所示： 圖316 預測階數(shù)p=10，幀重合長度len=80，幀長度L=160，幀數(shù)NN=100（公交車聲）當其余參數(shù)不變，只改變預測階數(shù)p時，如下圖(a)(b)(c)所示：(a) 預測階數(shù)p=5， (b) 預測階數(shù)p=10， (c) 預測階數(shù)p=20，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數(shù)NN=100 幀數(shù)NN=100 幀數(shù)NN=100圖317 只改變預測階數(shù)p時公交車聲綜合比較圖表34 只改變預測階數(shù)p時公交車聲程序運行時間對比表預測階數(shù)p p=5p=10p=20程序運行時間t由各圖比較可見，隨著預測階數(shù)p值越大，則特征值波動性越大，特征值間差異越明顯。 本章小結本章主要論述了特征提取選擇階段的原理以及通過線性預測分析各個車型聲目標的結果：數(shù)據(jù)采集收集好后，選用線性預測特征提取函數(shù)模型，對已經經過預處理后的目標聲信號來進行LPC特征提取。之后又把多元分析技術引入進數(shù)值分類學，進而形成聚類分析。為了能夠直觀地看清楚分類的過程，可以通過系統(tǒng)聚類樹（Hierachical Clustering Tree）來分析出在系統(tǒng)聚類過程中的合并過程，系統(tǒng)聚類樹將各樣品的分類的詳細過程比較系統(tǒng)地描述出來，可觀察其系統(tǒng)聚類樹，合理設置其縱坐標的臨界距離值（即“閾值”），以用來達到預期的聚類效果。其定義如下： i, j=1,…, n ()實際應用中，當各變量的測量值相差得不太懸殊的時候，用明氏距離則顯得比較合理，無需事先對數(shù)據(jù)標準化。為了比較這些差異間的關系，對于組成檢驗樣本訓練集的4種不同的車輛聲目標信號進行多次獨立實驗，分別給出不同車輛聲目標訓練，識別結果。用能量法，類似上述LPC分析法進行分析（預處理、建庫、判決識別），同樣改變不同的幀移次數(shù)進行比較，得到如下識別統(tǒng)計結果：表46 10次幀移動比對聲音識別統(tǒng)計表識別統(tǒng)計j1（汽車計數(shù)器）j2（卡車計數(shù)器）j3（摩托車計數(shù)器）j4（公交車計數(shù)器）汽車10000卡車2206摩托車1450公交車10000表47 20次幀移動比對聲音識別統(tǒng)計表識別統(tǒng)計j1（汽車計數(shù)器）j2（卡車計數(shù)器）j3（摩托車計數(shù)器）j4（公交車計數(shù)器）汽車20000卡車5708摩托車30170公交車16202表48 30次幀移動比對聲音識別統(tǒng)計表識別統(tǒng)計j1（汽車計數(shù)器）j2（卡車計數(shù)器）j3（摩托車計數(shù)器）j4（公交車計數(shù)器）汽車30000卡車101109摩托車32250公交車21504表49 50次幀移動比對聲音識別統(tǒng)計表識別統(tǒng)計j1（汽車計數(shù)器）j2（卡車計數(shù)器）j3（摩托車計數(shù)器）j4（公交車計數(shù)器）汽車50000卡車1619015摩托車1113260公交車37706 結論分析在具體的應用過程中，先對訓練聲信號數(shù)據(jù)進行訓練階段的識別，從中找到特征參數(shù)中各分量的平均貢獻大小，從而得到相應的權值。 本章小結本章綜合闡述了基于線性預測LPC分析法以及運用能量法應用歐氏距離法的聲目標訓練入庫以及判決識別系統(tǒng)的原理與實驗結果對比分析過程，通過多次改變幀移動次數(shù)等特征參數(shù)，采用以聚類思想為代表的最小歐式距離識別法，是通過建立聲音訓練庫從而來識別未知車輛聲目標的。（3）結合軟件測試，對聲目標識別系統(tǒng)進行實驗，比較驗證。就國內外的研究現(xiàn)狀而言，基于單傳感器（聲音傳感器）的系統(tǒng)的構建，已經是無法滿足不僅是普通車輛，甚至是現(xiàn)代軍事化裝備的要求的了。多傳感器抗干擾電路的設計及后期數(shù)據(jù)的融合分析，同樣也成為下一步研究的高熱點問題。 研究展望車輛聲目標信號探測識別技術是一項綜合多門學科的系統(tǒng)大工程。常州工學院延陵學院畢業(yè)設計說明書第5章 總結與展望 工作總結本次論文整理收集了近若干年大量的文獻資料、素材，對車輛聲目標識別系統(tǒng)研究中信號的各個部分涉及到的理論算法和仿真實踐做出了比較詳盡的探討和實踐，包括有：車輛聲目標信號的特性分析、特征提取的選擇以及分類器的設計這三個階段，另外，可以根據(jù)不同的、具體的車型聲信號的特點，對某些算法進行了初步的改進，并通過了MATLAB數(shù)值分析軟件在計算機上的算法測試與驗證等研究與設計步驟。隨著幀移動次數(shù)的增加，且為了使得分析結果更加精確，進行10次、20次、30次、50次等次數(shù)的反復比對，進行識別，記錄數(shù)據(jù)，得出如下結論并加以分析：①關于LPC線性預測分類識別法：從表41~表45中可以看出，在基于不同的移動次數(shù)的LPC線性預測特征提取各車輛聲目標最小歐式距離識別統(tǒng)計的結果中，汽車、卡車與摩托車聲識別效果比較理想，但是在識別公交車聲目標時，移動次數(shù)越少，則識別效果越理想；移動次數(shù)越多，則越難判斷出來，并且公交車與卡車隨著幀數(shù)增加，識別效果越來越差甚至達到了誤識別的結果。當未知車輛目標聲信號跟訓練庫里的某車輛聲音信號的某一數(shù)據(jù)點間的歐式距離最小時，該未知數(shù)據(jù)點便被此車輛聲計數(shù)器記錄加1，當測試若干次時便有若干數(shù)據(jù)特征值被記錄下，最后統(tǒng)計比對，看未知車輛目標聲信號識別率與已知車輛訓練庫里聲信號的類別是否大致匹配，即如此達到識別的效果。 建立聲目標訓練庫下圖41為基于LPC線性預測特征提取的聲目標訓練識別原理框圖。采用賦予聲目標特征參數(shù)不同權值的方法來改善聲目標識別性能，提高識別率 距離測度“聚類”的概念是基于“距離”概念的，在此，為了引出最小歐式距離識別法，這里的“距離”主要論述點與點間的距離這方面的含義，即特征向量元素值間的距離長度。鑒于聚類分析具有的上述優(yōu)點，聚類分析的相關算法被融入進國內外比較著名的分析統(tǒng)計軟件，例如：美國SAS軟件研究所研發(fā)的“統(tǒng)計分析系統(tǒng)（SAS，Statistical Analysis System）”；美國SPSS公司著名的“統(tǒng)計產品與服務解決方案（SPSS，Statistical Product and Service Solutions）”。敘述漢明窗的使用原理，結合測試數(shù)據(jù)分析結論。當其余參數(shù)不變，只改變幀重合長度len時，如下圖(a)(b)(c)所示：(a) 預測階數(shù)p=10， (b) 預測階數(shù)p=10， (c) 預測階數(shù)p=10，幀重合長度len=40， 幀重合長度len=80， 幀重合長度len=160，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數(shù)NN=100 幀數(shù)NN=100 幀數(shù)NN=100圖318 只改變幀重合長度len時公交車聲綜合比較圖由各圖比較可見，隨著幀重合長度len值越大，則特征值變化幅度越小，圖線越集中。如下圖所示： 圖311 預測階數(shù)p=10，幀重合長度len=80，幀長度L=160，幀數(shù)NN=100（摩托車聲）當其余參數(shù)不變，只改變預測階數(shù)p時，如下圖(a)(b)(c)所示：(a) 預測階數(shù)p=5， (b) 預測階數(shù)p=10， (c) 預測階數(shù)p=20，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數(shù)NN=100 幀數(shù)NN=100 幀數(shù)NN=100圖312 只改變預測階數(shù)p時摩托車聲綜合比較圖表33 只改變預測階數(shù)p時摩托車聲程序運行時間對比表預測階數(shù)p p=5p=10p=20程序運行時間t由各圖比較可見，隨著預測階數(shù)p值越大，則特征值波動性越大，特征值間差異越明顯。當其余參數(shù)不變，只改變幀數(shù)NN時，如下圖(a)(b)(c)所示：(a) 預測階數(shù)p=10， (b) 預測階數(shù)p=10， (c) 預測階數(shù)p=10，幀重合