车辆声信号的小波去噪在TMS320F2812中的实现

为了解决无线传感器网络采集到的车辆声信号易动态时变,易受外界环境影响,导致后续识别效果很差的问题,运用离散小波理论对其进行阈值去噪处理。采用"Daubechies4"小波,对信号进行5次分解,小波阈值函数采用软硬阈值折衷法,阈值系数的选取采用局部(分层)阈值,并利用XDS510仿真器在CCSLink中对算法进行编程,在主控芯片TMS320F2812器件中得以实验验证。实验肯定了运用离散小波算法能有效地去除混叠在车辆声信号中的噪声信号,有助于后续的识别工作,能够将对车辆声信号的识别率提高约30%。

结合LSTM与CNN的野外车辆声信号分类

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet)。该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关系;再用CNN并行提取多尺度特征,避免网络加深过程中特征的流失;引入通道注意力机制进行多尺度和多层次特征融合,增强多尺度、多层次关键特征信息;最后在相同数据集上进行验证。实验结果表明,FVNet算法对3种车辆的总识别率可达94.95%,与传统方法相比,其总识别率提高了14.61%,取得了较好的分类效果。

基于小波软阈值去噪和EMD的车辆声信号频谱分析

为了更准确细致地分析普通燃油车和纯电动汽车两类车辆在低速行驶时由动力装置产生的声信号特征,研究无噪声条件下的车辆声信号的频谱尤为重要。文中使用小波软阈值去噪方法对两类声信号进行去噪处理,通过经验模态分解,获得对应的固有模态分量,并对每一个固有模态分量进行快速傅里叶变换,以获得相应的频谱。研究结果表明,与去噪后的声信号的频谱成分相比,小波软阈值去噪后的声信号频谱成分清晰可见。通过频谱分析,确定了两种车型的声信号所包含的频率分量。该文对分析车辆声信号的频谱成分,提供了一种可行的方法。

应用声信号特征识别车辆车型及车速范围

国内外现有研究工作主要针对车型进行识别,该文在此基础上对车速范围的分类识别进行了研究。文中将主成分分析方法和BP神经网络算法结合(PCA-BP)对车型与车速进行识别分析,对比了与BP神经网络算法识别速度的差异。结果表明应用PCA-BP方法的识别效果整体较好,且在识别过程中可以节省计算时长的50%-70%左右,大大提高了识别速度。在未来的车辆识别系统实现中,可以在保证良好识别效果的前提下,提高软硬件平台的传输效率,节省识别计算时间。