版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、隨著智能交通的迅速發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類識別技術(shù)受到大量關(guān)注。傳統(tǒng)機(jī)器學(xué)習(xí)的車型分類識別方法主要以淺層模型為主,此方法的缺點:一是層次數(shù)目較少,建模能力和表達(dá)能力有限;二是分類識別結(jié)果依賴于傳統(tǒng)方法提取的淺層特征,而淺層特征表達(dá)能力往往有限,導(dǎo)致分類結(jié)果并不理想。因此采用車輛運(yùn)動過程中產(chǎn)生的混疊、間斷、多源噪聲信號,采用聲音傳統(tǒng)特征分析研究車型分類識別仍是一個難題。本文針對上述研究現(xiàn)狀及難點,以車輛聲信號處理及深度學(xué)習(xí)技術(shù)為基
2、礎(chǔ),著重對基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類識別方法進(jìn)行分析和研究。主要研究內(nèi)容如下:
1)采集車輛聲音信號,去除冗余信息凝練實驗所需特征集。通過分析聲音信號具有頻率范圍廣、采樣率高、量化后的信號數(shù)據(jù)量較龐大等特點,直接輸入分類器和神經(jīng)網(wǎng)絡(luò)后效果較差。因此在對車型進(jìn)行分類識別之前,需對信號進(jìn)行預(yù)處理及傳統(tǒng)特征提取,并打上對應(yīng)的標(biāo)簽。通過實驗需求,建立研究所需實驗數(shù)據(jù)庫,為后續(xù)研究工作做好數(shù)據(jù)準(zhǔn)備。
2)基于卷積神經(jīng)網(wǎng)絡(luò)的車型
3、分類識別方法研究。對比分析機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型對車型分類識別的有效性,結(jié)合車輛聲音信號的高度復(fù)雜性使得信號表征問題能夠很好地使用深度學(xué)習(xí)所提供的高度抽象,并且卷積神經(jīng)網(wǎng)絡(luò)特有的卷積和池化操作可以有效表達(dá)和處理音頻信號隱藏在頻域中的一些典型特征,本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類識別方法。首先使用經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)LeNet-5進(jìn)行車型分類識別,結(jié)果表明LeNet-5對本文數(shù)據(jù)集的分類性能很不理想,損失函數(shù)的值不下降,模型不收斂,無準(zhǔn)確率
4、可言。通過分析原因,對LeNet-5網(wǎng)絡(luò)進(jìn)行改進(jìn)得到三種卷積神經(jīng)網(wǎng)絡(luò)CNN1、CNN2、CNN3。
3)實驗驗證設(shè)計的三種卷積神經(jīng)網(wǎng)絡(luò)車型分類識別模型的有效性,實驗結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)對車型具有較好的分類性能;并與經(jīng)典的淺層模型K近鄰和SVM的分類性能進(jìn)行對比,結(jié)果表明改進(jìn)的CNN1、CNN2及CNN3的分類準(zhǔn)確率較淺層模型K近鄰及支持向量機(jī)均有大幅度提升;對比驗證模型在數(shù)據(jù)集1和數(shù)據(jù)集2上的分類性能,結(jié)果表明數(shù)據(jù)量增大,卷積
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于HOG與SVM的車輛識別方法研究.pdf
- 基于SVM的地磁車輛檢測器車型分類方法研究.pdf
- 基于圖像分類的車型識別方法研究和實現(xiàn).pdf
- 基于車輛正面俯視圖的車型識別方法
- 基于車輛聲頻信號的車型自動分類與識別.pdf
- 基于CNN的字符識別方法研究.pdf
- 基于SVM的車型自動分類方法的研究.pdf
- 基于視頻的車型識別方法的研究.pdf
- 基于CNN的交通標(biāo)志識別方法研究.pdf
- 基于稀疏編碼的車型識別方法研究.pdf
- 基于卡口圖像的車型識別方法研究.pdf
- 基于SURF算子的車型識別方法.pdf
- 基于SVM的結(jié)構(gòu)損傷識別方法研究.pdf
- 基于車輛聲頻信號的車型識別算法研究.pdf
- 基于FTA-SVM的車輛發(fā)動機(jī)故障識別方法研究.pdf
- 人員及車輛目標(biāo)地震動信號識別方法研究.pdf
- 基于SVM的人臉識別方法研究.pdf
- 基于多視角特征的車型識別方法.pdf
- 基于改進(jìn)SVM的風(fēng)機(jī)SCADA系統(tǒng)故障分類識別方法研究.pdf
- 基于Adaboost和SVM的車牌識別方法研究.pdf
評論
0/150
提交評論