【正文】 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。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38 只改變幀重合長度len時卡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：(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=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。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。如下圖所示： 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： (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=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。此外，LP分析還能夠對共振峰、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。對于濁音，激勵是以基音周期重復的單位脈沖序列，可以表示為： ()而對于清音而言，是一個高斯白噪聲序列，它的自相關函數(shù)滿足下式： ()我們可以將參數(shù)解卷問題歸結為首先正確估計出的階數(shù)和它的各個系數(shù)~，然后根據(jù)估計出的求得和。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。通過使得實際聲音的抽樣值跟線性預測的抽樣值的均方誤差值取得最小值，從而將唯一一組的線性預測系數(shù)確定出來。 線性預測理論簡介線性預測（Linear Prediction，LP）分析是最有效的語音特征提取的分析技術之一，在語音的編碼、合成、識別和人識別等語音信號處理領域中得到十分明顯的充分運用。特征參數(shù)值提取得充分，特征選擇得合理，這會直接影響到模糊模式識別系統(tǒng)的識別率、可靠性與實時性。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。但是這并就不代表了特征信息選取得更多就更好，特征參數(shù)值的大小并不是與識別率成正比的。 特征提取概述特征提取是通過映射或者變換的方法，將高維的特征信息變?yōu)榈途S的特征信息，使得達到維數(shù)壓縮的目的。它的開放性得到了很多人的青睞。此外，Matlab網(wǎng)頁的服務程序允許自己的Matlab圖形程序在Web應用里應用。具有信息量非常大的聯(lián)機進行檢索的功能，這是新版本的Matlab軟件利用Matlab進行編譯的編譯器和C/C++的數(shù)學庫以及圖形庫，可以把自己的MATLAB程序進行自動的轉換為可以獨立于Matlab進行運行的C以及C++的代碼。在Matlab的Notebook中實現(xiàn)了Word與Matlab可以連接起來使得Word不但具有原來可以編輯的能力還具有Matlab非常強大的計算以及繪圖能力，可以在研究、設計和教學等方面具有良好的實用的價值，這樣就比MathCAD更具有優(yōu)勢。況且使用者可以依據(jù)一定的需要進行編寫以及進行擴充來形成一個新的函數(shù)庫。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(jīng)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(chǎn)的一種非常實用的軟件。MATLAB它是個開發(fā)軟件，它可以進行各種的矩陣運算、各種的產(chǎn)生數(shù)據(jù)、進行各種算法、建立不同的用戶界面、與其他的編程軟件相結合，主要是應用在一些工程計算、設計與控制、聲音信號處理、圖像信號處理、檢測各種信號的產(chǎn)生等區(qū)域內。它將分析數(shù)據(jù)、矩陣的計算、科學的數(shù)據(jù)進行可視化的處理以及一些建立模型和進行仿真等方面各種強大的功能集合成在一個復雜的能使用的交互的視窗環(huán)境里，為以后的科學、工程等方面的研究以及一定要進行的一些的多方面的地方或者領域提出一個全方位的解決辦法，而且在一定程度上解脫了以前的陳舊的一些編程（如C++）的這種編程方式，這代表了現(xiàn)在世界上最頂尖的軟件水平。本章主要闡述的是對聲目標探測識別系統(tǒng)各階段原理理論算法的分析研究以及實驗驗證。 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(chǎn)生機理和傳播過程，并結合實際目標特性測試實驗。以上分析了車輛目標聲輻射的機理，研究目標聲信號的一般傳播過程。目標聲級是遠大于背景噪聲的。由圖可見，頻率主要集中于1000Hz以下，主要能量特征頻率顯示為15 Hz~4000Hz，在300 Hz和4000 Hz處強度極大。這種噪聲譜是類似卡車聲的典型特征之一。④卡車聲信號為一寬帶的信號，能量主要地集中在低頻段，噪聲譜由離散譜和連續(xù)譜組成。③汽車聲輻射信號頻譜為寬帶譜，其聲信號主要能量集中在1KHz，在小于500Hz的低頻段以內，并且有較明顯的峰值，聲音目標特征峰值的分布與數(shù)量有著比較顯著的不同之處。汽車、卡車的聲信號為寬帶信號。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。如下組圖所示，圖22與圖23分別為汽車、卡車、摩托車、公交車四種車型的時域圖和相應的頻譜波形。通過針對物體輻射出的聲信號的測量與分析，可以認識到目標聲源的本質特性。在點聲源的情況下，距點聲源相隔為和的兩點之間的聲壓級差值為： ()除此以外，當聲波在大氣當中傳播時，由于空氣分子具有粘滯特性，熱傳導等引起的吸收也將使得聲波衰減，衰減的大小與空氣的溫度和濕度、聲波的頻率有關。點聲源在外部空間產(chǎn)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。 傳播模型當目標聲信號傳播的距離超過了幾個波長的時候，絕大多數(shù)的聲波以球面波形式傳播。如果測試場地比較開闊，并且只有地面的反射條件，這樣的聲場稱為半自由場。當聲場的邊界效應可以達到忽略不計程度時，則聲波可以自由傳播，不會受到任何阻礙，這樣的聲場稱之為自由聲場。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。圖21 聲信號探測識別系統(tǒng)基本流程總框圖解決聲目標識別問題的關鍵之處，就是特征提取和識別能力。以后再輸入此類聲目標的同樣聲音，機器就能根據(jù)這些特征探測識別出相應的聲目標信號。討論得到目標聲信號的產(chǎn)生機理和傳播過程，并且結合實際目標特性試驗，研究好這幾種典型目標的特性的分類特征，為后續(xù)的目標分類識別奠定基礎。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。主要闡述系統(tǒng)聚類原理，運用最小歐氏距離法對車輛聲目標進行訓練、分類探測識別測試軟件在MATLAB軟件中得以實現(xiàn)，以及對移植、改變相關參數(shù)后算法程序的聲目標識別效果等進行測試分析驗證。敘述漢明窗的使用原理。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(jīng)經(jīng)過預處理后的目標聲信號來進行LPC特征提取。針對車輛聲目標，詳細分析汽車等各種類型聲信號產(chǎn)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。主要闡述本次課題研究的背景及依據(jù)，目的及意義，目前國內外在車輛等聲信號目標探測識別技術研究方面基本情況與進展狀況，并且闡述文章的研究思路和主要內容。分類識別環(huán)節(jié)：采用基于聚類思想的最小歐式距離識別法，對經(jīng)過上述環(huán)節(jié)處理之后提取出的特征參量先保存部分聲源目標進入聲目標訓練庫，