【導(dǎo)讀】尤其是仿生學(xué)理論、信號學(xué)處理理論、人工智能技術(shù)的發(fā)展理論及厚膜。號的特征提取以及分類識別等重要的疑問之處，還是顯現(xiàn)了研究層面的不足。以上問題，針對聲目標信號識別過程中的關(guān)鍵技術(shù)和算法實現(xiàn)進行了相關(guān)研究。分析、線性預(yù)測特征提取以及分類識別。托車以及公交車四類目標聲信號線性預(yù)測算法和能量法的有效分類與識別。

　　

【正文】 () 其中 p 是預(yù)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 )(ns 的幅度大小。這樣，語音抽樣 )(ns 和激勵信號 )(ne 之間的關(guān)系可以用下列的查分方程表示： ?? ??? Pi i insanGens 1 )()()( () 即語音樣點之間具有相關(guān)性，可以用過去的樣點值預(yù)測未來樣點值。對于 濁音，激勵)(ne 是以基音周期重復(fù)的單位脈沖序列，可以表示為： ?????? ?? r prNnne )()( ? () 而對于清音而言， )(ne 是一個高斯白噪聲序列，它的自相關(guān)函數(shù)滿足下式： )()]()([)( llneneElR e ???? () 我們可以將參數(shù)解卷問題歸結(jié)為首先正確估計出 )(zA 的階數(shù) P 和它的各個系數(shù)1a ~ Pa ，然后根據(jù)估計出的 )(zA 求得 G 和 )(ne 。 如果將某聲音模型看成一個激勵源，通過一個線性時不變系統(tǒng)（聲道）產(chǎn)生輸出，那么可以運用 LP 分析法對聲道的參數(shù)進行估值，以比較少量的低信息率的時變參數(shù)，精確地描述聲音波形及其頻譜的性質(zhì)。此外， LP 分 析還能夠?qū)舱穹?、功率譜等聲信號參數(shù)進行精確估計， LP 分析得到的參數(shù)可以作為聲音識別的重要參數(shù)之一。 車輛聲目標信號線性預(yù)測（ LPC 法）分析 汽車聲目標 選取 （汽車聲）聲數(shù)據(jù)作為識別的集合，聲目標信號采樣頻率為 8kHz，幀長 160/8000ms，幀移 40/8000ms，窗函數(shù)采用漢明窗。如下圖所示： 常州工學(xué)院延陵學(xué)院畢業(yè)設(shè)計說明書 13 1 2 3 4 5 6 7 8 9 10024681012 圖 31 預(yù)測階數(shù) p=10，幀重合長度 len=80，幀長度 L=160，幀數(shù) NN=100（汽車聲） 當其余參數(shù)不變，只改變預(yù)測階數(shù) p 時，如下圖 (a)(b)(c)所示： 1 1 . 5 2 2 . 5 3 3 . 5 4 4 . 5 50123456 1 2 3 4 5 6 7 8 9 100246810120 2 4 6 8 10 12 14 16 18 200123456789 (a) 預(yù)測階數(shù) p=5， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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 32 只改變預(yù)測階數(shù) p 時汽車聲綜合比較圖 表 31 只改變預(yù)測階數(shù) p 時汽車聲程序運行時間對比表 預(yù)測階數(shù) p p=5 p=10 p=20 程序運行時間 t 秒 秒 秒 由各圖比較可見，隨著預(yù)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。 由特征提取時各程序所消耗的時間資源比較可見，隨著 p 值越大，則時間越長，運算量越大。 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： 第 3章 基于 MATLAB算法的特征提取 14 1 2 3 4 5 6 7 8 9 10051015202530351 2 3 4 5 6 7 8 9 100246810121 2 3 4 5 6 7 8 9 1001234567 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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，只改變幀長度 L 時，如下圖 (a)(b)(c)所示： 1 2 3 4 5 6 7 8 9 100123456789101 2 3 4 5 6 7 8 9 100246810121 2 3 4 5 6 7 8 9 10024681012 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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=80， 幀長度 L=160， 幀長度 L=320， 幀數(shù) NN=100 幀數(shù) NN=100 幀數(shù) NN=100 圖 34 只改變幀長度 L 時汽車聲綜合比較圖 由各圖比較可見，隨著幀長度 L 值越大，則特征值的變化范圍越大，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： 常州工學(xué)院延陵學(xué)院畢業(yè)設(shè)計說明書 15 1 2 3 4 5 6 7 8 9 100246810121 2 3 4 5 6 7 8 9 100246810121 2 3 4 5 6 7 8 9 1002468101214 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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 35 只改變幀數(shù) NN 時汽車聲綜合比較圖 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。 卡車聲目標 選取 （卡車聲）聲數(shù)據(jù)作為識別的集合，聲目標信號采樣頻率為 8kHz，幀長 160/8000ms，幀移 40/8000ms，窗函數(shù)采用漢明窗。如下圖所示： 1 2 3 4 5 6 7 8 9 1000 . 511 . 5 圖 36 預(yù)測階數(shù) p=10，幀重合長度 len=80，幀長度 L=160，幀數(shù) NN=100（卡車聲） 當其余參數(shù)不變，只改變預(yù)測階數(shù) p 時，如下圖 (a)(b)(c)所示： 第 3章 基于 MATLAB算法的特征提取 16 1 1 . 5 2 2 . 5 3 3 . 5 4 4 . 5 50 . 20 . 40 . 60 . 811 . 21 . 41 . 61 2 3 4 5 6 7 8 9 1000 . 511 . 50 2 4 6 8 10 12 14 16 18 2000 . 20 . 40 . 60 . 811 . 21 . 41 . 61 . 8 (a) 預(yù)測階數(shù) p=5， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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 37 只改變預(yù)測階數(shù) p 時卡車聲綜合比較圖 表 32 只改變預(yù)測階數(shù) p 時卡車聲程序運行時間對比表 預(yù)測階數(shù) p p=5 p=10 p=20 程序運行時間 t 秒 秒 秒 由各圖比較可見，隨著預(yù)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。 由特征提取時各程序所消耗的時間資源比較可見，隨著 p 值越大，則時間越長，運算量越大。 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： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 511 . 51 2 3 4 5 6 7 8 9 1000 . 511 . 5 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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 38 只改變幀重合長度 len 時卡車聲綜合比較圖 常州工學(xué)院延陵學(xué)院畢業(yè)設(shè)計說明書 17 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，只改變幀長度 L 時，如下圖 (a)(b)(c)所示： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 . 61 . 821 2 3 4 5 6 7 8 9 1000 . 511 . 51 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 4 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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=80， 幀長度 L=160， 幀長度 L=320， 幀數(shù) NN=100 幀數(shù) NN=100 幀數(shù) NN=100 圖 39 只改變幀長度 L 時卡車聲綜合比較圖 由各圖比較可見，隨著幀長度 L 值越大，則特征值的變化范圍越大，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： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 511 . 51 2 3 4 5 6 7 8 9 1000 . 511 . 5 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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 第 3章 基于 MATLAB算法的特征提取 18 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。 摩托車聲目標 選取 （摩托車聲）聲數(shù)據(jù)作為識別的集合，聲目標信號采樣頻率為 8kHz，幀長 160/8000ms，幀移 40/8000ms，窗函數(shù)采用漢明窗。如下圖所示： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 4 圖 311 預(yù)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(yù)測階數(shù) p 時，如下圖 (a)(b)(c)所示： 1 1 . 5 2 2 . 5 3 3 . 5 4 4 . 5 500 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 911 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 40 2 4 6 8 10 12 14 16 18 2000 . 20 . 40 . 60 . 811 . 21 . 4 (a) 預(yù)測階數(shù) p=5， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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(yù)測階數(shù) p 時摩托 車聲綜合比較圖 表 33 只改變預(yù)測階數(shù) p 時摩托車聲程序運行時間對比表 預(yù)測階數(shù) p p=5 p=10 p=20 程序運行時間 t 秒 秒 秒 常州工學(xué)院延陵學(xué)院畢業(yè)設(shè)計說明書 19 由各圖比較可見，隨著預(yù)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。 由特征提取時各程序所消耗的時間資源比較可見，隨著 p 值越大，則時間越長，運算量越大。 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： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 4 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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 313 只改變幀重合長度 len 時摩托車聲綜合比較圖 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，只改變幀長度 L 時，如下圖 (a)(b)(c)所示： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 4 (a) 預(yù)測階數(shù) p=10， (b) 預(yù)測階數(shù) p=10， (c) 預(yù)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=80， 幀長度 L=160， 幀長度 L=320， 幀數(shù) NN=100 幀數(shù) NN=100 幀數(shù) NN=100 圖 314 只改變幀長度 L 時摩托車聲綜合比較圖 第 3章 基于 MATLAB算法的特征提取 20 由各圖比較可見，隨著幀長度 L 值越大，則特征值的變化范圍越大，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： 1 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 41 2 3 4 5 6 7 8 9 1000 . 20 . 40 . 60 . 811 . 21 . 4