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)機器學(xué)習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。因此在對車型進行分類識別之前，需對信號進行預(yù)處理及傳統(tǒng)特征提取，并打上對應(yīng)的標簽。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。對比分析機器學(xué)習和深度學(xué)習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，無準確率

4、可言。通過分析原因，對LeNet-5網(wǎng)絡(luò)進行改進得到三種卷積神經(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的分類性能進行對比，結(jié)果表明改進的CNN1、CNN2及CNN3的分類準確率較淺層模型K近鄰及支持向量機均有大幅度提升;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