【導讀】尤其是仿生學理論、信號學處理理論、人工智能技術的發(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鍵技術和算法實現(xiàn)進行了相關研究。分析、線性預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測算法和能量法的有效分類與識別。

　　

【正文】 () 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 )(ns 的幅度大小。這樣，語音抽樣 )(ns 和激勵信號 )(ne 之間的關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性，可以用過去的樣點值預測未來樣點值。對于 濁音，激勵)(ne 是以基音周期重復的單位脈沖序列，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，它的自相關函數(shù)滿足下式： )()]()([)( llneneElR e ???? () 我們可以將參數(shù)解卷問題歸結為首先正確估計出 )(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： 常州工學院延陵學院畢業(yè)設計說明書 13 1 2 3 4 5 6 7 8 9 10024681012 圖 31 預測階數(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 32 只改變預測階數(shù) p 時汽車聲綜合比較圖 表 31 只改變預測階數(shù) p 時汽車聲程序運行時間對比表 預測階數(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=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： 常州工學院延陵學院畢業(yè)設計說明書 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 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 37 只改變預測階數(shù) p 時卡車聲綜合比較圖 表 32 只改變預測階數(shù) p 時卡車聲程序運行時間對比表 預測階數(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 38 只改變幀重合長度 len 時卡車聲綜合比較圖 常州工學院延陵學院畢業(yè)設計說明書 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=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 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： 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=5 p=10 p=20 程序運行時間 t 秒 秒 秒 常州工學院延陵學院畢業(yè)設計說明書 19 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。 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 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=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