【技术实现步骤摘要】
一种基于卷积神经网络的汽车鸣笛识别方法
本专利技术属于信号处理领域，涉及神经网络、声信号处理识别等理论。
技术介绍
通过云、大数据和人工智能方法来提升城市舒适度与便捷度，推动城市建设，智慧城市成为当今世界城市发展不可逆转的历史潮流。智慧城市建设过程中，治理机动车乱鸣喇叭是十分重要的一环，违法鸣笛不仅影响了道路周围市民的正常生活，也为文明城市建设制造了不和谐的噪声。各地交警部门投入了大量精力来整治汽车违法鸣笛问题，但治理效果差强人意。究其原因是由于交警部门查处违法鸣笛的方式主要是人工辨别，在嘈杂的马路上人工辨别的难度较大，采样取证更为困难，加大了交警的执法难度，很难取得理想的效果。传统的声音识别算法一般有动态时间规整技术、支持向量机、高斯混合模型以及隐马尔可夫模型等。但是这些识别模型都只是一种符号化系统，降低了建模的能力，因此在实际环境中对不同质量的声音信号的识别性能将会大幅下降。人工神经网络是20世纪80年代以来人工智能领域兴起的研究热点。随着人工神经网络的研究工作不断深入，目前已经取得了很大的进展。将神经网络应用于声音信号的处理，可以解决高维空间和非线性模式等方...
【技术保护点】
1.一种基于卷积神经网络的汽车鸣笛识别方法，其特征在于包括以下步骤：第一步，采用空气声呐传感器接收多径环境下的声源信号；第二步，对采集到的声源信号进行高通滤波；第三步，对高通滤波后的信号进行短时傅里叶变换；第四步，将第三步处理后得到的数据划分为训练集、验证集和测试集；第五步，构建卷积神经网络并进行训练优化；第六步，将测试集中的数据输入优化后的卷积神经网络，得到识别结果。
【技术特征摘要】
1.一种基于卷积神经网络的汽车鸣笛识别方法，其特征在于包括以下步骤：第一步，采用空气声呐传感器接收多径环境下的声源信号；第二步，对采集到的声源信号进行高通滤波；第三步，对高通滤波后的信号进行短时傅里叶变换；第四步，将第三步处理后得到的数据划分为训练集、验证集和测试集；第五步，构建卷积神经网络并进行训练优化；第六步，将测试集中的数据输入优化后的卷积神经网络，得到识别结果。2.根据权利要求1所述的基于卷积神经网络的汽车鸣笛识别方法，其特征在于：所述的第二步采用巴特沃斯滤波器对采集到的声源信...
【专利技术属性】
技术研发人员：陈建峰，白吉生，项彬，
申请(专利权)人：西北工业大学，西安联丰迅声信息科技有限责任公司，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。