学位论文 > 优秀研究生学位论文题录展示

基于核主成分分析和支持向量机的飞机舱音信号的识别

作　者: 刘素京
导　师: 王从庆
学　校: 南京航空航天大学
专　业: 模式识别与智能系统
关键词: 舱音记录器独立分量分析 Mel倒谱分析主成分分析核方法神经网络支持向量机
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 77次
引　用: 1次
阅　读: 论文下载

内容摘要

随着社会进步和民航业的迅猛发展,政府、航空公司和公众对航空安全的要求越来越高。飞机上用来记录各类声音数据的设备——驾驶舱话音记录器(Cockpit Voice Recorder,CVR),无疑成为保障航空安全的关键所在。CVR是必不可少的机载设备,它通过4个独立声道记录着驾驶舱内最近2小时或30分钟的各种声音,包括机组内话、陆空通话、音响警告等。这些声音记录不仅能够用来判断机组的操纵、意识、决断、生理心理状态,还可以分析航空器状态及所处环境,为事故调查提供了又一丰富而准确的依据。针对CVR中记录的声信息多而复杂、频率范围宽、信号非平稳等特点,本文结合小波变换及神经网络的方法,从CVR的背景声中分离出有用的信号,并对分离后的信号进行分类,有效地实现了CVR背景声的识别,对确定航空事故原因及保障未来飞行安全,都具有重要的实用价值。首先,在中国民用航空总局航空安全技术中心建立的“飞机舱音信息样本库”基础上,应用小波降噪原理对CVR的信号进行降噪处理,结合独立分量分析的快速固定点算法对混合信号进行分离,得到分离后的开关、旋钮、警报等独立声音样本。其次,选择分离后的独立样本,进行信号处理,经过预处理之后,提取他们的短时能量、短时平均幅度、幅值谱及Mel倒谱参数等特征作为样本的特征参数用于分类识别。随后本文深入研究了核方法在特征提取方面的应用,对CVR样本的数据空间进行了压缩,并将核主成分分析与神经网络相结合,分析了核主成分分析与RBF神经网络相结合的分类识别能力,并在此基础上采用改进的RBF神经网络算法。最后本文进一步分析了基于核函数的SVM多类分类方法,结合核主成分分析将该算法用在CVR背景声的分类识别上,取得了较为理想的分类效果。本文的研究对于有效判断CVR背景声中所蕴含的内容,确定飞机事故原因都将具有重要的意义。

全文目录

摘要  4-5
ABSTRACT  5-14
第一章绪论  14-21
  1.1 概述  14-15
  1.2 舱音记录器的发展概述  15-16
  1.3 舱音记录器非话语的信号处理  16-18
    1.3.1 舱音记录器声信息的分类及特点  16-17
    1.3.2 舱音记录器的研究现状  17-18
  1.4 声信息识别的一般过程  18-19
  1.5 论文的主要研究内容  19-21
第二章基于独立分量分析的CVR 背景声分离  21-36
  2.1 引言  21
  2.2 CVR 声音信息的小波降噪  21-29
    2.2.1 小波变换理论与分析  21-22
    2.2.2 连续小波变换  22-24
    2.2.3 离散小波变换  24
    2.2.4 声音信号的小波降噪  24-26
    2.2.5 CVR 声音信息的降噪结果  26-29
  2.3 独立分量分析原理  29-31
    2.3.1 独立分量分析  29-30
    2.3.2 信号的非高斯性测度  30
    2.3.3 对照函数  30-31
  2.4 CVR 混合信号分离  31-35
    2.4.1 信号的预处理  31-32
    2.4.2 快速ICA 算法  32-34
    2.4.3 仿真实验结果  34-35
  2.5 本章小结  35-36
第三章 CVR 背景声信号的特征分析  36-48
  3.1 引言  36
  3.2 背景声的预处理  36-41
    3.2.1 去噪处理  36
    3.2.2 分帧加窗  36-38
    3.2.3 端点检测  38-41
  3.3 背景声的时域分析  41-43
    3.3.1 短时能量分析  41-42
    3.3.2 短时平均幅度分析  42
    3.3.3 短时过零率分析  42-43
  3.4 背景声的频域分析  43-45
    3.4.1 幅值谱  43-44
    3.4.2 功率谱  44
    3.4.3 对数谱  44
    3.4.4 CVR 信号时频特征分析  44-45
  3.5 背景声的倒谱分析  45-47
    3.5.1 倒谱分析  45-46
    3.5.2 MFCC 分析  46-47
    3.5.3 MFCC 的求取过程  47
  3.6 本章小结  47-48
第四章基于核主成分分析方法的CVR 背景声特征提取  48-60
  4.1 引言  48
  4.2 核方法的理论基础  48-51
    4.2.1 核的定义  48-49
    4.2.2 再生核理论及Mercer 定理  49-50
    4.2.3 常用核函数及其构造  50-51
  4.3 CVR 背景声的特征提取  51-59
    4.3.1 主成分分析  51-54
    4.3.2 核主成分分析  54-55
    4.3.3 PCA 与 KPCA 的比较  55-59
  4.4 本章小结  59-60
第五章基于神经网络的CVR 背景声识别  60-76
  5.1 引言  60
  5.2 RBF 神经网络  60-63
    5.2.1 RBF 神经网络的拓扑结构  60-61
    5.2.2 RBF 神经网络的映射机理  61-62
    5.2.3 RBF 神经网络的改进算法  62-63
  5.3 SVM 分类器设计  63-71
    5.3.1 线性支持向量机  64-66
    5.3.2 基于核的支持向量机算法分析  66-67
    5.3.3 用于多类问题的SVM 算法分析  67-71
  5.4 CVR 背景声识别的实验分析  71-75
    5.4.1 基于RBF 神经网络的CVR 背景声识别  71-73
    5.4.2 基于SVM 多类分类算法的CVR 背景声识别  73
    5.4.3 分类算法比较  73-75
  5.5 本章小结  75-76
第六章总结与展望  76-78
  6.1 工作总结  76
  6.2 今后展望  76-78
参考文献  78-83
致谢  83-84
在学期间的研究成果及发表的学术论文  84

基于核主成分分析和支持向量机的飞机舱音信号的识别

内容摘要

全文目录

相似论文