2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩77頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、高壓水射流技術(shù)是近年來(lái)發(fā)展迅速的一項(xiàng)新技術(shù),已廣泛應(yīng)用于各行各業(yè)。當(dāng)使用高壓水射流對(duì)地雷進(jìn)行切割操作時(shí),具有許多優(yōu)點(diǎn)。如果在切割地雷之前,同時(shí)可以利用高壓水射流探測(cè)地雷,實(shí)現(xiàn)探雷與排雷一體化作業(yè),這將具有很好的應(yīng)用價(jià)值。目前國(guó)內(nèi)外對(duì)該項(xiàng)技術(shù)的研究分析基本空白,本文提出的將高壓水射流技術(shù)應(yīng)用到探測(cè)地雷上的研究是一項(xiàng)原創(chuàng)性研究,要利用高壓水射流來(lái)實(shí)現(xiàn)探測(cè)地雷的功能,首先必須對(duì)靶物材質(zhì)的識(shí)別與分類(lèi)進(jìn)行研究,而其中關(guān)鍵技術(shù)之一是對(duì)高壓水射流探測(cè)

2、過(guò)程中產(chǎn)生的靶物反射聲信號(hào)的識(shí)別與分類(lèi)研究。
  針對(duì)利用靶物反射聲進(jìn)行探測(cè)地雷中涉及的聲音信號(hào)預(yù)處理、特征值提取以及識(shí)別分類(lèi)器設(shè)計(jì)等方面,本文開(kāi)展了以下幾方面研究工作:首先分析了靶物反射聲存在的背景噪聲,在靶物反射聲信號(hào)非平穩(wěn)性等特點(diǎn)的基礎(chǔ)上,提出了一種自適應(yīng)的EMD閾值降噪的靶物反射聲信號(hào)預(yù)處理方法;分析了目前關(guān)于聲音信號(hào)的特征值提取方法和識(shí)別分類(lèi)器設(shè)計(jì)方法的國(guó)內(nèi)外研究現(xiàn)狀,闡述了小波包短時(shí)能量特征參數(shù)和Mel頻率倒譜特征參數(shù)

3、的靶物反射聲信號(hào)特征值提取的基本原理,分析了SVM與LS-SVM應(yīng)用于本文中的靶物材質(zhì)識(shí)別分類(lèi)的特點(diǎn),并詳細(xì)說(shuō)明了應(yīng)用LS-SVM所建立的多類(lèi)分類(lèi)器的算法原理,以及采用網(wǎng)格搜索和交叉驗(yàn)證相結(jié)合的參數(shù)優(yōu)化方法。設(shè)計(jì)了試驗(yàn)裝置和試驗(yàn)方案,進(jìn)行高壓水射流探測(cè)靶物的實(shí)際實(shí)驗(yàn),進(jìn)行靶物反射聲信號(hào)的實(shí)時(shí)采集,利用上述方法和基于MATLAB編寫(xiě)的靶物反射聲信號(hào)降噪預(yù)處理、特征值提取以及多類(lèi)分類(lèi)器的測(cè)試程序?qū)?shí)測(cè)靶物反射聲信號(hào)分別進(jìn)行處理。同時(shí)進(jìn)行靶物

4、材質(zhì)識(shí)別影響因素分析和對(duì)比試驗(yàn),利用試驗(yàn)結(jié)果分析靶物內(nèi)部結(jié)構(gòu)和外形大小因素對(duì)靶物材質(zhì)識(shí)別率的影響。
  試驗(yàn)結(jié)果表明:通過(guò)對(duì)比分析可以看出EMD閾值去噪后的SNR和相關(guān)系數(shù)較小波閾值去噪方法高,同時(shí)也很好地保留了原始信號(hào)的細(xì)節(jié)信息,故本文采用自適應(yīng)的EMD閾值去噪方法對(duì)靶物反射聲信號(hào)進(jìn)行降噪預(yù)處理。本文采用的小波包短時(shí)能量和Mel頻率倒譜系數(shù)兩種特征值提取方法各具不同的特點(diǎn)。在小波包短時(shí)能量特征值結(jié)合LS-SVM建立的靶物材質(zhì)識(shí)別

5、方法,LS-SVM選擇徑向核函數(shù)時(shí)的平均識(shí)別率為97.5%,總耗時(shí)為3.023815S。Mel頻率倒譜系數(shù)特征值結(jié)合LS-SVM建立的靶物材質(zhì)識(shí)別方法,選擇多項(xiàng)式核函數(shù)時(shí)的平均識(shí)別率為95.42%,總的耗時(shí)為1.902854S。且LS-SVM模型的測(cè)試耗時(shí)較SVM耗時(shí)低。建立的利用交叉驗(yàn)證和網(wǎng)格搜索相結(jié)合的LS-SVM參數(shù)尋優(yōu)的方法最低能夠提高分類(lèi)器的識(shí)別率6.25%。在綜合考慮內(nèi)部結(jié)構(gòu)和外形大小因素對(duì)靶物材質(zhì)識(shí)別效果影響的情況下,由影

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論