声音识别建模分析.doc

2016长沙理工大学第二届研究生数学建模竞赛参赛 承诺书 我们仔细阅读了长沙理工大学研究生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们授权长沙理工大学研究生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。 我们参赛选择的题号是（从组委会提供的试题中选择一项填写）： 我们的参赛报名号为（如果组委会设置报名号的话）： 所属学校（请填写完整的全名）： 长沙理工大学 参赛队员 (打印并签名) ：1. 刘星 （电气） 2. 邹勇松（计通） 3. 赵磊（计通） 指导教师或指导教师组负责人 (打印并签名)：戴志峰 日期：2016 年 3月 8日 评阅编号（由组委会评阅前进行编号）： 2016长沙理工大学研究生数学建模竞赛 编 号 专 用 页 评阅编号（由组委会评阅前进行编号）： 评阅记录（可供评阅时使用）： 评 阅 人 评 分 备 注 B题??声音识别模型的建立与评价 摘 要 本文选取合适声音特征参数设计一个声音识别模型，并给出了具体的建立方案，然后还要对建立的模型进行优化提高识别准确度。 对于问题一,首先对声音信号进行了试听，然后利用Matlab绘制了声音波形如图一、图二所示，通过两类声音进行比较和分析。得出两类声音如下区别：非正开门声的幅值明显比正常高，说明非正常开门声响声大，而且非正常声音持续的时间远比正常的要长。 对于问题二，首先对声音信号的短时平均能量和短时过零率这两个时域特征进行分析如图三和图四所示。然后对倒谱系数（）这一频域特征进行了分析如图八所示，并且通过倒谱系数（）建立了一个13维的特征向量如附件一所示。 对于问题三，利用上一问中提取的倒谱系数这一重要特征，经过训练后，建立了基于和声音识别模型如图九所示，然后随机选取一段声音信号进行测试，测试结果如图十一所示，从图中可以看出此模型能够区分正常与非正常声音。 对于问题四，我们利用主成分分析法建立了特征向量优化模型如式33所示，得出声音的两个主要特征是短时平均能量和，然后在上面的声音识别模型中加入了短时平均能量这一时域特征向量，最后对优化后的声音识别模型进行检验，发现优化后的模型识别准确率有了进一步的提高。 对于问题五，首先按照题目的要求，利用Matlab中的随机函数产生一个噪声加入到声音信号中，得到了加噪后的声音时域和频域的波形图如图十三和图十四所示。然后设计了基于双线性变换法的Butterworth滤波器模型，通过此滤波器模型对加噪后的声音进行滤波，得到的时域和频域波形图如图十五和图十六所示。比较滤波前后可以看出噪声基本能被过滤掉，设计的Butterworth滤波器有明显的的滤波效果。 本文综合考虑了各个方面，建立了符合条件的声音识别模型，采用Matlab编程的方法，求得的结果完全满足题目的要求，并有一定的实际应用价值。 关键词: 倒谱系数 主成分分析法 Butterworth滤波器 问题重述 随着科技的发展，人类步入了家居智能化的新时代。智能冰箱、智能清洁机器人、智能电视等已步平常百姓家但智能化的防盗门处于研发阶段，。随着人们对家居安全意识的不断增强，对防盗、防抢和防砸的门禁系统的智能性提出更高的要求。基于此，对正常和非正常开门（指盗窃开门等声音）的声音进行识别是智能防盗门的关键问题和技术，其具有广泛的应用前景和实用价值。 为了进行声音识别模型的建立，我们采集到了正常和非正常开门的声音，各40次开门声音数据。该数据可利用Matlab的load函数载入到计算机内存，内存中变量有和等变量，其中为采频率为采数据。这些数据利用Matlab中的sound函数，，利用plot函数绘制出具体的声音波形图，利用合适的时域或（和）频域特征表达个声音信号，建立特征向量，写出提取特征向量的具体方法和程序代码。 建立声音识别模型（二分类模型），利用模型区分正常和非正常声音，评价模型的好坏。 利用特征选择或变换，对特征向量进行优化，并利用参数优化技术优化模型的参数，使识别模型的准确率提高。 若