基于車輛聲信號的SVM及CNN車型分類識別方法研究.pdf

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