一、基于DSP芯片实现的异常声音识别系统（论文文献综述）
郑毅豪[1]（2020）在《基于差分麦克风阵列的波束形成技术研究》文中研究说明声阵列技术起源于航空预警和军事侦察中,利用声阵列的波束形成技术检测电气系统中变压器、电网和特高压输电线路是现在研究的热点。然而,针对声阵列体积大,携带不方便等问题,如何实现声阵列的小型化和可携带性有待进一步解决。为此,本文研究基于差分麦克风阵列的波束形成技术,具体工作如下:（1）研究了远近场信号模型和麦克风阵拓扑结构,并着重仿真了差分麦克风阵列的波束形成。仿真显示,在处理宽带信号时,传统的加性麦克风阵列不能形成恒定不变的波束图,而差分阵列在高、低频时都保证恒定不变的波束图。（2）针对圆型差分麦克风阵列输出白噪增益（White Noise Gain,WNG）异常的问题,提出一种基于交替方向乘子法（Alternating Direction Multiplier Method,ADMM）的波束形成方法。该方法的思想是利用波束形成器的权向量和信号方向同向,与干扰信号和噪声信号反向,使得波束图在指向噪声信号和干扰信号方向下输出功率最小的原理,构建出波束形成器模型。对此,将其转化为带约束下的1范数优化问题;接着使用ADMM将其转化成多个无约束的优化问题,并通过迭代求解出权向量,使得阵列具有最优输出响应;最后仿真结果表明基于ADMM方法可以使得阵列具有最优输出响应,从而能够有效的解决白噪声增益异常的问题。（3）基于DSP平台验证本文提出波束形成方法。首先以DSP芯片OMAP-L137为主芯片,设计能够改变阵元个数的七元圆形麦克风阵列硬件处理模块;接着结合CCS软件编译环境编写DSP应用程序;最后在大型办公室下对波束形成系统的性能进行验证。实验结果表明,设计的波束形成系统能够准确定位声源和噪声方向,达到预期效果。
唐尧[2]（2020）在《计算机辅助翻译与机器翻译结合下的德生收音机评测文章翻译实践报告》文中认为在人工智能技术快速发展的今天,机器翻译和计算机辅助翻译已经成为了翻译行业的基本翻译手段（张宁,2019:23）。但是机器翻译仍然还无法完全代替人工翻译,依然存在着诸多问题。因此,机器翻译加译后编辑是现在甚至往后一段时间翻译行业的主流翻译方式。本文所分析的是笔者实践中遇到的的德生收音机评测文章的翻译。收音机评测文章兼具信息型文本和操作型文本的特征,既有大量规律性信息,也有一定的观点表达,因此采用机器翻译加译后编辑不但有利于提高翻译效率,还能确保翻译交付质量。同时,时间紧任务重也是决定采用机器翻译译后编辑的客观原因。所以,译者结合平时课堂所学的关于计算机辅助翻译的知识以及翻译技术,确定了机器翻译加译后编辑的翻译模式来处理待译材料,以确保该翻译任务能够高效顺利完成。本篇翻译报告基于笔者自身的翻译实践,通过实际翻译实例,从词法,句法,语篇三个层面分析总结目前机器翻译中存在的一些问题并寻求对应的译后编辑策略。本篇报告共分为四个部分,分别是翻译项目介绍,翻译流程简述,案例分析和总结报告。笔者希望通过此次翻译实践以及本篇翻译报告的写作,能够切实提升自身翻译水平,并为以后类似文本的翻译提供参考。
麻付强[3]（2020）在《脉冲噪声环境下麦克风阵列的DOA估计技术研究》文中进行了进一步梳理随着计算机及物联网技术的迅速发展,声学信息采集趋向于阵列传感器融合方式,有效地提高了系统对环境的感知能力。其中,波达方向（Direction of Arrival,DOA）估计是麦克风阵列的一项重要研究内容,被广泛应用于战场监测和视频会议等声源定位系统中。传统的DOA估计技术一般都是基于高斯噪声模型的假设,但是高斯分布不能有效地描述具有严重拖尾的脉冲噪声。由于地杂波和人为因素的影响,声学环境中的噪声存在着大量数据突变的冲击响应,导致基于二阶统计量的DOA估计算法性能退化甚至失效。同时,随着麦克风阵列信号处理技术的迅速发展,传感器接收的声学信号大多数为宽带信号,并且声学信号的形式越来越复杂。基于窄带信号模型的DOA估计算法已经无法满足实际需求,亟需研究宽带模型下声学信号的DOA估计技术。针对上述问题,本文以提高麦克风阵列系统的DOA估计精度为目的,对声学脉冲噪声、低快拍和低信噪比等情况下DOA估计的性能退化以及宽带DOA估计依赖于初始预估角度等难点进行了系统且深入的研究。本文的主要研究内容和创新点如下:1)两种基于广义最大复值相关熵的DOA估计算法:提出了广义最大复值相关熵准则,能够有效地处理复值信号,且抑制脉冲噪声。针对脉冲噪声环境下基于二阶统计量的DOA估计性能退化问题,分别提出了基于广义最大复值相关熵的中值差分相关熵算法（MDCO）和基于广义最大复值相关熵的复值拟牛顿算法（QN-GMCCC）。（1）MDCO算法构造了中值差分最大相关熵代价函数,将其作为时域信号协方差的权重因子。并根据KL（Kullback-Leibler）散度原理,设计自适应核宽度选择策略,自适应应对脉冲噪声的变化。仿真实验表明,MDCO能有效抑制脉冲噪声,提高DOA估计精度。相对QN-GMCCC,MDCO的计算复杂度较小,可以应用于嵌入式系统。（2）QN-GMCCC算法利用子空间分解原理求解信号残余拟合误差矩阵的GMCC-loss最小化模型,然后采用交替迭代方法将最小化广义最大复值相关熵问题转为凸优化模型,最后利用复值拟牛顿法求解GMCC-loss函数,保证了二阶偏导正定性。仿真实验表明,QN-GMCCC能有效抑制脉冲噪声,实现二阶超线性全局收敛,且在低快拍情况下具有高精度的DOA估计。2)迭代重加权变分贝叶斯学习（OG-WVBL）的DOA估计:针对脉冲噪声环境下低快拍、低信噪比、异常点难以识别等问题,OG-WVBL算法将脉冲噪声的DOA估计转化为稀疏异常点和DOA估计的联合变分贝叶斯学习问题。利用信号和脉冲噪声的稀疏先验分布,OG-WVBL通过最大化KL散度的下界来求解稀疏向量,避免了计算边缘似然函数,从而有效实现DOA估计和识别脉冲噪声位置分布。采用迭代重加权策略对稀疏先验模型中重要信息的稀疏超参数赋予大的权重因子,获得稳定的变分贝叶斯学习的后验概率模型,提高了算法的收敛速度和收敛精度。仿真实验表明,OG-WVBL算法无需信号源数目的先验估计。OG-WVBL算法能够有效识别脉冲噪声位置和幅值,有效解决低快拍、低信噪比等问题,提高DOA估计精度。3)聚焦信号子空间的宽带DOA估计:针对相干信号子空间方法的聚焦变换需要初始角度估计和算法性能依赖预先角度估计精度的问题,提出了基于酉变换聚焦信号子空间的宽带DOA估计算法（FSS）。FSS算法利用宽带信号参考频率点的信号子空间和各个频率点的信号子空间构造酉聚焦变换矩阵。FSS的聚焦矩阵不会使阵列输出的信噪比发生变化,聚焦过程为无损聚焦变换。为了实现解相干和降低算法复杂度,进一步设计了基于实值信号聚焦信号子空间的宽带DOA估计算法（RFSS）。采用酉变换技术构造实值协方差矩阵,并利用前后空间平滑技术实现解相干。仿真实验表明,FSS算法不会受到DOA预估计误差的影响,提高了聚焦精度。RFSS算法能有效估计宽带相干和非相干信号源。4)基于FPGA和DSP的麦克风阵列DOA估计系统:将上述脉冲噪声环境下窄带DOA估计算法与宽带FSS算法相结合,构建了宽带和窄带DOA的统一模型,设计并建立以 FPGA（Field Programmable Gate Array）和 DSP（Digital Signal Processor）为核心的DOA估计平台。分别在实际的高斯噪声和脉冲噪声环境中,验证了创新点1、2、3对静态卡车、动态卡车的DOA估计的有效性。因此,本文可以有效地应用于含有脉冲噪声的战场监测和视频会议等声源定位系统中,具有很好的实际应用价值。
李春琦[4]（2020）在《基于声学特征的旋转机械故障诊断方法及其DSP实现》文中指出机械设备发生故障时产生的声信号中包含有大量的故障信息,利用声信号监测机械设备的技术手段不需要架设接触式传感器,降低了系统的复杂度。针对工业生产实践当中经常出现的旋转机构故障现象,本文研究了一种利用声信号特征结合机器学习当中数据的降维方法来实现齿轮的故障诊断。首先介绍了工业生产实践中旋转机构常见的故障现象,重点分析了齿轮故障出现的主要形式及其产生机理。由于故障声信号常混杂其它声信号,会对目标信号的获取造成干扰,因此首先利用多层非负矩阵分解方法分离出故障声信号,对故障声信号进行预加重、加窗、分帧等等预处理,提取故障声信号的梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients,MFCC）特征。由于故障声信号的特征具有高维、非线性的特性,需要对获得的故障声信号特征进行降维处理,达到降低算法的复杂度、更加快速准确地识别故障声信号的目的。针对获取的声信号特征数据集,采用等距映射算法（Isometrical Mapping,Isomap）对其进行降维处理并且与局部线性嵌入降维（Locally Linear Embedding,LLE）方法进行对比,仿真实验结果表明两种降维方式对高维特征数据集均有明显的降维效果。对上述提取到的高维MFCC声音信号特征参数降维处理得到低维的声信号特征参数,然后利用K均值聚类（K-means Clustering Algorithm,K-means）分析方法对降维后的样本点进行聚类分析,实现齿轮的故障诊断监测。结果表明将高维的MFCC特征参数经过Isomap约简后,结合K-means聚类分析较LLE降维后的齿轮故障识别准确率有一定的提升。因为齿轮的故障声信号信息主要表现在高频即细节信号上,对小波分解的细节信号再进行希尔伯特变换,根据得到的包络谱图,分析故障信号的高频分量来判断齿轮的工况状态。根据实验结果,对齿轮四种工况状态下第三层细节信号包络谱进行分析,在齿轮点蚀状态下,当频率为500Hz时,功率谱发生突变;在齿轮断齿状态下,当频率为400Hz时,功率谱发生突变;在齿轮磨损状态下,功率谱随着频率的变化衰减变化状态最小,因此可明显判断出齿轮点蚀、磨损或者断齿的故障状态。最后给出了故障诊断算法的DSP（Digital Signal Processor）实现方法。以CCS5.5和TMS320为核心,设计了整个系统的开发流程包括硬件开发环境的设计和软件系统的设计,重点阐述了故障诊断流程在DSP平台的实现过程,包括故障诊断代码的转化编译过程。
崔楚涵[5]（2020）在《基于DSP的语音识别系统设计》文中指出人类交流的工具有很多种,最直接和最实用的是语言。语音识别包括将语音中的有用信息转换为机器语言。近年来,语音识别研究在许多高技术领域得到了发展,其实际应用范围扩大到工业控制、移动通信和消费类产品。在这种情况下,本文研究了语音识别算法,对比当前更主流的动态时间规整技术算法（DTW）和隐马尔可夫模型（HMM）。对传统的DTW算法提出了改进措施来减小算量。提供了MATLAB模拟仿真。最后,设计了DSP芯片TMS320VC5509A为中央处理单元,DTW算法为识别算法的小词汇量、孤立词语音识别系统。本论文首先介绍了课题的背景和意义,回顾了国内外语音识别发展史,介绍和分析了当前的研究状况以及当前的困难和问题。在此基础上,开展了关于这一主题的研究。其次,文章介绍了语音识别的理论知识,包括基本理论、识别工作过程,包括语音信号预处理步骤、端点检测、特征检索步骤、模板训练和识别。其中,关于特征参数,最终采用了美尔频率倒谱系数（MFCC）作为系统特征参数,并对一些常用特征参数进行分析比较。关于识别算法,研究比较了DTW算法和HMM算法,并提出了改进传统DTW算法的缺陷的措施,减少了计算量。利用MATLAB对系统所有环节使用的算法进行了模拟,并检查了算法的有效性,设计了模拟实验来比较DTW算法和HMM算法的利弊。考虑到系统的要求及其适应性,选择了DTW算法作为系统识别算法。在硬件方面,用TI公司TMS320VC5509A DSP作为中央处理单元建立了一个孤立词语音识别系统,并为包括音频获取模块、CPLD逻辑控制模块、电源模块、外部存储器模块、JTAG调试模块以及时钟和复位电路在内的不同模块设计了电路。关于软件,系统软件是根据系统的要求设计的,并描述了系统硬件模块的初始化过程以及主要的识别算法,并附有相应的流程图。最后,对该系统的性能和试验结果进行了测试。对实验结果的分析表明,该系统在语音识别孤立词和小词汇方面取得了良好的效果。
徐伟枫[6]（2020）在《面向居民用户的家电负荷盲源分离研究及其支撑硬件设计》文中研究说明随着智能电网发展和电力需求持续增长,对负荷用电细节监测的需求日益突出。非侵入式负荷分解是实现用电细节监测的关键技术,其通过将用电数据细化到居民用户内部,获取家电负荷的基础用电信息,从而引导用户智能用电以实现节能降耗,促进需求侧响应,可见该技术极具研究价值和应用前景。非侵入式负荷分解可看作信号的盲源分离问题,针对当前负荷分解方法缺乏考虑负荷用电模式、模型泛化能力弱的问题,提出基于稀疏表示和字典学习的家电负荷盲源分离方法。该方法从家电负荷日用电序列的稀疏性出发,利用仿射传播聚类提取序列模式并划分样本集,然后根据序列模式组合抽取训练样本,利用在线字典学习算法训练负荷字典,最后组合负荷字典并实施稀疏编码,实现对非侵入式总负荷的分离;通过居民负荷真实用电数据集的测试,验证了所提方法的准确性以及在家庭迁移上具备的泛化能力。针对不同家电之间配合使用或关联运行的用电模式,提出计及状态关联规则的负荷分离方法。该方法通过聚类离散化家电负荷的运行状态,结合二维高斯分布函数建立包含功率波动模型的负荷特征数据集,然后计算互信息熵确定强关联家电对,利用Apriori算法挖掘强关联家电对中的状态关联规则,并结合k近邻算法实现状态辨识,最后基于极大似然估计求解功率分解优化模型;算例结果表明相比于传统利用启发式算法进行状态搜索的方式,所提方法取得更高的状态辨识准确度和负荷分离精度。为支撑家电负荷盲源分离的实际应用,进行关键硬件设计。首先基于高级量测体系的一般结构和构建模式,设计了负荷样本采集系统的四层硬件架构,包括用电设备层、信息采集层、集中监测层、数据管理层。然后重点对信息采集层中的信息采集终端进行模块化开发,详述开发过程中的关键问题,并在实验环境下对样机进行功能测试,验证各模块的正常运行。最后依托南方电网重点科技项目建设负荷样本采集工程,为今后硬件系统的进一步完善、负荷分离方法的实际应用奠定基础。
李伟,李硕[7]（2019）在《理解数字声音——基于一般音频/环境声的计算机听觉综述》文中认为声音是人类获取信息的重要来源,对声音内容进行自动分析和理解具有重要意义.本文介绍声音的基本知识,从信号、听觉感受、声音特性等3个角度对声音进行分类,阐明各个分类之间的关系,明确基于一般音频/环境声的计算机听觉技术的研究对象和学科位置.之后,介绍计算机听觉技术的基本概念、原理、研究课题和技术框架.作者全面总结了计算机听觉技术在各个领域中:包括医疗卫生,安全保护,交通运输、仓储,制造业,农、林、牧、渔业,水利、环境和公共设施管理业,建筑业,其他采矿业、日常生活、身份识别、军事等的典型应用.分类总结了各领域计算机听觉应用中现有典型文献的基本原理、技术路线.最后总结计算机听觉领域存在的各方面问题,并展望未来发展趋势.
王倩[8]（2019）在《基于DSP的音乐信号特征识别与再现技术研究》文中提出音乐信号的数字化及分析处理技术是数字音乐技术的核心,论文研究基于DSP的音乐信号特征识别与再现技术,旨在设计一个系统可以帮助音乐学习者进行音乐学习和音乐创作。论文针对音乐学习及创作的实际需求对音乐信号及其分析处理的建模与仿真、嵌入式系统设计等展开研究,为自动编曲、自动记谱等研究打下了基础。论文首先研究音乐信号及其分析处理算法的建模与仿真,以钢琴为研究素材结合乐音的四大要素,分析并提取钢琴音符的特征参数,建立单音符信号及乐谱信号的数学模型。研究单音符识别算法,提取信号的梅尔频率倒谱系数,改进DTW算法实现单音符识别。在单音符算法实现的基础上,结合基于能熵比的音符时值分割方法,将乐谱分割成单音符序列实现乐谱识别。论文接着研究音乐合成算法并进行仿真,运用前述音乐信号产生算法结合乐谱进行仿真产生音乐序列信号,然后将其转换为可供播放的数据格式,实现单音符及连续音符的音乐信号再现。在完成音乐信号建模与算法研究的基础上,给出了基于BF609的DSP器件系统软硬件设计。论文首先设计系统的整体硬件结构,按照系统的功能需求分模块进行电路设计,并针对系统硬件的主要模块即音频采集模块、音频播放模块、存储模块、人机交互模块给出了详细的设计分析,其中采用音频编解码器SSM2603将音频采集模块与播放模块融为一体。系统软件设计是在硬件平台的基础上给出了系统各功能模块的算法实现流程,主要包括预处理算法、特征参数提取算法,识别算法和音乐合成算法等,这些算法程序由前述的算法仿真程序移植而来。最后,对DSP系统进行测试分析,主要包括模块测试、系统整体功能测试以及识别率测试。其中,模块测试包括音频线输出测试、音频采集模块测试、识别算法测试。在模块测试无误的基础上,对系统整体进行功能测试,验证系统工作情况。采用多组已知乐谱数据进行识别率测试,将识别结果与正确结果相比较,判断系统识别性能。测试数据显示,论文设计的DSP嵌入式系统对连续音符的识别率达到了93%。有关音乐合成算法的测试则选用多人评判的方式,经确认该算法取得了很好的钢琴合成效果。
徐舒[9]（2018）在《基于DSP的战场声目标实时识别与定位技术研究与实现》文中指出对战场目标（如坦克、轮式战车、武装直升机和战斗机等）的准确识别和定位是赢得战场控制权的关键手段,在现代军事中有着重要价值。基于被动声探测的目标识别与定位具有不受限于能见度、隐密性好、抗干扰能力强等优点,成为各军事强国的研究热点。由于战场环境的复杂性和系统实时性的要求,如何实现战场声目标的实时高精度定位以及高准确率识别,成为了极具挑战性的研究课题。本课题主要进行战场声目标识别与定位理论算法的研究,并且基于DSP完成了战场声目标实时识别与定位系统的软硬件设计。提取声信号的特征是声识别的关键。战场声信号的成分非常复杂,其中既含随机性信号又含准周期性信号。本文在深入分析了几种典型战场声目标信号的产生机理的基础上,提出了一种小波包与离散谱分析相结合的多特征参数提取算法,该算法利用小波包变换优良的时频域局部分析能力,提取声信号在不均匀频段上的能量分布特征,同时通过离散谱分析提取描述声信号准周期性的基频和谐波特征,从而更全面地反映声目标的特性。为了提高信噪比,在特征提取前采用小波包消噪的预处理方法降低了环境噪声对声信号的影响。采用BP神经网络对特征参数进行分类,仿真结果表明,相比传统单一分析域的特征提取算法,多特征提取算法应用于声识别的识别率明显提高。针对战场声目标定位,本文分析了几种常用声源定位算法的优缺点,确定采用基于时延估计的声源定位算法。时延估计是声源定位的关键,广义互相关算法可以抑制噪声对时延估计的影响,着重研究了基于广义互相关的时延估计算法。由于时延估计精度受信号采样频率的影响,采用抛物线插值法提高了时延估计的精度。针对定位结果中的个别野值,对定位结果进行了中值滤波和最小二乘拟合滤波的后置处理。对基于时延估计的声源定位算法和后置处理算法进行了仿真实验,将实验结果与GPS定时打点计算出目标的实际位置相比,分析了定位的精度,并验证了后置处理算法的有效性。为了实时实现战场声目标的识别与定位,本文以TMS320VC5510为核心处理器,设计了声目标识别与定位的软硬件系统。其中硬件系统包括模拟信号处理电路、DSP数字信号处理电路、DSP外围辅助电路和电源电路等。针对16位定点DSP处理小数时精度受限的问题,给出了各参数的Q值定标方案,探讨了浮点运算定点化实现的方法,以及定点运算的溢出处理方法。针对算法复杂度高,影响系统实时性的问题,采用混合编程等方法优化了部分模块的程序,提高了其在DSP中的运行速度。试验结果表明,该系统可以满足识别率、定位精度和运算时间的性能指标,取得了满意的效果。
王丹聪[10]（2018）在《基于多传感器融合的猪只行为辨识》文中研究说明近年来,我国畜牧养殖业与各国展开深入合作,猪只养殖业逐步朝向集约化、自动化方向快速前进,同时,国内对肉制品的需求量稳居世界前列。但是规模扩大,科学自动化养殖技术仍然落后于发达国家。猪只养殖部分技术仍然依靠传统养殖经验,忽视了猪只行为规律了解,出现了诸如料槽设计不合理、饲料和水资源浪费、猪只生病治疗不及时而死亡等问题,给企业带来不少的经济损失,制约了猪只养殖企业科学自动化发展。针对我国畜牧养殖科学自动化技术落后,忽视掌握猪只行为规律带来的问题,本文设计了一种基于多传感器融合的猪只行为辨识,通过观察,猪只的行为发生往往伴随着声音以及运动行为,因此本文对这两种行为通过传感器进行采集,经无线网络把采集的声音行为数据以及运动行为数据发送到数据处理中心（微控制器STM32及DSP5416）,数据处理中心对两种行为数据进行特征计算,针对声音以及运动行为的特征得到不同的特征向量,采用融合算法对行为以及运动特征向量进行综合,得到行为辨识结果。然后将辨识结果发送到计算机监控室,监测平台显示猪只姿态,并标记异常行为的猪只。同时数据存储到数据库中,方便饲养员对历史数据的查询。本文的主要工作如下:（1）猪只行为辨识方案设计。分析养殖企业对猪只行为辨识的需求,介绍本文设计的实验现场妊娠舍布局状况,通过对猪只分布特点,确定行为辨识方案。通过观察,猪只的行为发生是通过运动以及声音行为表现出来,因此分别从声音和运动两方面完成本文,设计硬件电路及选择数据传输方式,最后根据采集到的行为特征,制定融合方案。（2）声音辨识系统设计。搭建数据处理中心的DSP（Digital Signal Processing,数字信号处理）最小系统,根据现场采集声音特点,进行滤波、放大等处理。然后将预处理的声音数据计算特征向量,对特征向量进行了仿真,验证猪只声音行为辨识方案的可行性。根据LM567鉴频芯片设定的猪只异常声音,对现场发出异常声音的猪只进行TDOA（Time Difference of Arrival,基于声音接收时间差定位算法）定位,并将定位的猪只位置信息发送给数据处理中心的微控制器STM32中。（3）运动辨识系统设计。根据现场猪只分布及运动行为特点,设计猪只运动行为采集电路以及数据传输系统,在数据处理中心的STM32微控制器将采集的运动行为数据计算合加速度、相关系数等特征向量,并对运动行为特征向量进行仿真,证明此方案的可行性。（4）SVM（Support Vector Machine,支持向量机）声音以及运动行为特征级融合系统应用。将声音以及运动特征向量组成的猪只行为特征向量,通过计算核函数等过程完成融合,辨识出猪只九种行为（站立、左躺、右躺、坐立,正卧、饮食、饮水、咳嗽、饥饿）,将辨识结果发送到计算机监控室进行显示,并将结果存储到数据库中,根据猪只的行为规律,采用行为发生的时域与频域相结合的行为评估系统对猪只健康状况进行评估,对于行为异常的猪只进行标记,定位信息在界面进行显示。（5）计算机监测平台设计。融合声音以及运动行为的辨识结果,通过计算机监测平台进行显示以及异常行为猪只的标注提示功能;采用SQL Server数据库实现猪只行为、时间及位置等信息的存储。实验结果表明,基于多传感器融合的猪只行为辨识系统能够以较高的准确率辨识出猪只九种行为,能够对异常行为的猪只定位,在计算机监测平台进行显示,同时对猪只行为进行健康评估,便于饲养员及时了解猪只身体状况,解放了养殖企业的人力资源。行为辨识结果存储到数据库中,为以后建立猪只日常行为模型、掌握猪只行为规律提供数据支持。
二、基于DSP芯片实现的异常声音识别系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于DSP芯片实现的异常声音识别系统（论文提纲范文）
（1）基于差分麦克风阵列的波束形成技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.3 差分麦克风阵列波束形成的技术难点 |
| 1.4 本文研究的主要内容及章节安排 |
| 第2章 麦克风阵列模型与波束形成技术 |
| 2.1 声波的波动方程 |
| 2.2 近远场语音信号模型 |
| 2.3 麦克风阵列空间结构 |
| 2.4 波束形成技术研究 |
| 2.5 仿真结果分析 |
| 2.6 本章小结 |
| 第3章 圆型差分麦克风阵列及ADMM波束形成设计 |
| 3.1 基于圆型差分麦克风阵列的波束形成研究 |
| 3.2 基于ADMM的波束形成设计 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 第4章 波束形成系统在DSP上的实现 |
| 4.1 波束形成硬件系统设计 |
| 4.1.1 麦克风阵列设计 |
| 4.1.2 DSP芯片的选型 |
| 4.1.3 DSP处理系统硬件设计 |
| 4.2 系统软件设计 |
| 4.3 系统测试 |
| 4.3.1 噪声抑制比测试 |
| 4.3.2 失真度和PESQ测试 |
| 4.3.3 PC端播放语音测试 |
| 4.3.4 声源定位测试结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（2）计算机辅助翻译与机器翻译结合下的德生收音机评测文章翻译实践报告（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 翻译项目介绍 |
| 1.1 项目来源 |
| 1.2 文本特征 |
| 1.2.1 词汇特点 |
| 1.2.2 句子特点 |
| 1.2.3 语篇特点 |
| 1.3 选择机器翻译加译后编辑的原因 |
| 1.3.1 机器翻译与译后编辑 |
| 1.3.2 适合机器翻译加译后编辑的文本特征 |
| 1.3.3 计算机辅助翻译 |
| 第二章 翻译过程 |
| 2.1 译前准备 |
| 2.1.1 文本处理 |
| 2.1.2 平行文本搜集与研读 |
| 2.1.3 翻译记忆库和术语库的建立 |
| 2.2 译中执行 |
| 2.2.1 机器翻译引擎选择 |
| 2.2.2 导入机器译文 |
| 2.3 译后编辑 |
| 2.3.1 机器翻译译文的常见问题 |
| 2.3.2 译后编辑策略 |
| 2.4 译后审校 |
| 第三章 案例分析 |
| 3.1 词法类错误及其译后编辑的策略 |
| 3.1.1 一词多义现象及其处理 |
| 3.1.2 缩略语的处理 |
| 3.1.3 代词的误译及其处理 |
| 3.1.4 介词的误译及其处理 |
| 3.2 句法类错误及其译后编辑的策略 |
| 3.2.1 语序不当的处理 |
| 3.2.2 复杂从句的处理 |
| 3.2.3 特殊句式的处理 |
| 3.3 语篇类错误及其译后编辑的策略 |
| 3.3.1 连贯与衔接 |
| 3.3.2 语言风格的一致性 |
| 第四章 翻译实践总结 |
| 参考文献 |
| 附录 |
| 附录一 原文 |
| 附录二 机器翻译译文 |
| 附录三 译后编辑译文 |
| 附录四 术语表 |
| 附录五 平行文本 |
（3）脉冲噪声环境下麦克风阵列的DOA估计技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 术语表 |
| 1 引言 |
| 1.1 课题背景 |
| 1.2 研究意义 |
| 1.3 论文内容安排 |
| 2 文献综述 |
| 2.1 DOA估计研究现状 |
| 2.2 脉冲噪声下DOA估计研究现状 |
| 2.2.1 脉冲噪声的研究进展 |
| 2.2.2 脉冲噪声下DOA估计进展 |
| 2.2.3 基于相关熵的脉冲噪声处理研究进展 |
| 2.3 宽带信号的DOA估计研究现状 |
| 2.4 稀疏恢复的DOA估计研究现状 |
| 2.5 本章小结 |
| 3 脉冲噪声环境下DOA估计数学基础 |
| 3.1 脉冲噪声分布模型 |
| 3.1.1 alpha稳定分布 |
| 3.1.2 混合高斯分布 |
| 3.1.3 广义高斯分布 |
| 3.2 DOA估计数学模型 |
| 3.3 MUSIC算法 |
| 3.4 DOA估计性能指标 |
| 3.5 本章小结 |
| 4 基于广义最大复值相关熵的鲁棒性DOA估计 |
| 4.1 脉冲噪声环境下信号模型定义 |
| 4.2 广义最大复值相关熵理论 |
| 4.2.1 广义最大复值相关熵准则的定义 |
| 4.2.2 广义最大复值相关熵准则的属性 |
| 4.3 基于广义最大复值相关熵的中值差分相关熵的DOA估计 |
| 4.3.1 中值差分相关熵的DOA估计算法 |
| 4.3.2 MDCO算法的性能分析 |
| 4.3.3 MDCO算法的计算复杂度分析 |
| 4.4 基于广义最大复值相关熵的复值拟牛顿算法 |
| 4.4.1 QN-GMCCC算法的GMCC-loss代价函数 |
| 4.4.2 QN-GMCCC算法的交替迭代凸优化最小化 |
| 4.4.3 QN-GMCCC算法的稳态性能分析 |
| 4.4.4 QN-GMCCC算法的计算复杂度分析 |
| 4.5 实验验证 |
| 4.5.1 记忆因子对MDCO算法的影响 |
| 4.5.2 QN-GMCCC算法的内核参数 |
| 4.5.3 QN-GMCCC算法的稳态性能 |
| 4.5.4 QN-GMCCC算法的收敛性能 |
| 4.5.5 GSNR对QN-GMCCC和MDCO算法的影响 |
| 4.5.6 角度分离对QN-GMCCC和MDCO算法的影响 |
| 4.5.7 特征指数对QN-GMCCC和MDCO算法的影响 |
| 4.5.8 采样快拍数对QN-GMCCC和MDCO算法的影响 |
| 4.6 本章小结 |
| 5 迭代重加权变分贝叶斯学习的DOA估计 |
| 5.1 脉冲噪声环境下off-grid模型定义 |
| 5.2 基于off-grid的迭代重加权变分贝叶斯学习算法 |
| 5.2.1 基于KL散度的稀疏信号更新 |
| 5.2.2 基于KL散度的脉冲噪声矩阵更新 |
| 5.2.3 OG-WVBL的迭代重加权策略 |
| 5.3 OG-WVBL算法的计算复杂度分析 |
| 5.4 实验验证 |
| 5.4.1 OG-WVBL算法的超参数收敛性能 |
| 5.4.2 GSNR对OG-WVBL算法的影响 |
| 5.4.3 角度分离对OG-WVBL算法的影响 |
| 5.4.4 特征指数对OG-WVBL算法的影响 |
| 5.4.5 网格区间对OG-WVBL算法的影响 |
| 5.5 本章小结 |
| 6 聚焦信号子空间的宽带DOA估计算法 |
| 6.1 宽带DOA信号模型 |
| 6.2 基于酉变换聚焦信号子空间的宽带DOA估计 |
| 6.3 基于实值信号聚焦信号子空间的宽带DOA估计 |
| 6.4 FSS算法的聚焦性能分析 |
| 6.5 实验验证 |
| 6.5.1 FSS算法的空间谱 |
| 6.5.2 SNR对FSS和RFSS算法的影响 |
| 6.5.3 快拍数对FSS和RFSS算法性能的影响 |
| 6.5.4 角度分离对FSS算法性能的影响 |
| 6.6 本章小结 |
| 7 基于FPGA和DSP的麦克风阵列系统 |
| 7.1 硬件设计 |
| 7.1.1 声学传感器选型 |
| 7.1.2 放大电路设计 |
| 7.1.3 滤波电路设计 |
| 7.1.4 信号采集模块测试 |
| 7.2 系统测试验证 |
| 7.2.1 卡车环境中脉冲噪声分布统计 |
| 7.2.2 QN-GMCCC和MDCO算法空间谱性能 |
| 7.2.3 OG-WVBL算法空间谱性能 |
| 7.2.4 脉冲噪声环境下声源距离对不同算法的影响 |
| 7.2.5 高斯噪声环境下声源距离对FSS算法的影响 |
| 7.2.6 高斯噪声环境下FSS定位性能 |
| 7.2.7 脉冲噪声环境下不同算法的定位性能 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 本文工作总结 |
| 8.2 未来工作展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（4）基于声学特征的旋转机械故障诊断方法及其DSP实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 故障诊断国内外研究现状 |
| 1.2.1 信号处理方法研究现状 |
| 1.2.2 故障诊断算法研究现状 |
| 1.3 DSP技术发展研究现状 |
| 1.4 论文组织结构 |
| 1.4.1 研究思路 |
| 1.4.2 论文结构 |
| 2 齿轮故障机理分析 |
| 2.1 旋转机构常见故障 |
| 2.2 齿轮故障主要形式及机理分析 |
| 2.3 齿轮故障时域频域特征分析 |
| 2.4 本章小结 |
| 3 齿轮故障声信号预处理及特征提取 |
| 3.1 故障声信号分离 |
| 3.2 声信号预处理 |
| 3.3 声信号特征 |
| 3.4 真实验 |
| 3.5 本章小结 |
| 4 故障特征数据集的降维 |
| 4.1 降维方法总结 |
| 4.2 等距映射降维 |
| 4.3 局部线性嵌入降维 |
| 4.4 真实验 |
| 4.5 本章小结 |
| 5 基于聚类分析和小波包分解的故障诊断 |
| 5.1 结合等距映射降维和K-means聚类分析的故障诊断 |
| 5.1.1 Isomap降维 |
| 5.1.2 K-means聚类分析 |
| 5.2 降维算法和聚类分析实验验证 |
| 5.2.1 MFCC特征参数提取 |
| 5.2.2 Isomap特征降维 |
| 5.2.3 K均值聚类分析 |
| 5.3 基于小波包分解的齿轮故障诊断 |
| 5.4 本章小结 |
| 6 故障诊断算法的DSP实现 |
| 6.1 硬件系统设计 |
| 6.1.1 信号采集装置 |
| 6.1.2 DSP硬件电路设计 |
| 6.2 软件系统设计 |
| 6.2.1 DSP的初始化处理 |
| 6.2.2 数据采集 |
| 6.2.3 数据处理 |
| 6.2.4 故障算法的DSP实现 |
| 6.3 实验验证 |
| 6.4 本章小结 |
| 结论和展望 |
| 1. 研究工作总结 |
| 2. 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及研究成果 |
（5）基于DSP的语音识别系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 项目背景及意义 |
| 1.2 国外研究的历史与现状 |
| 1.3 国内研究的历史与现状 |
| 1.4 语音识别技术中的几个问题 |
| 2 语音识别的理论知识 |
| 2.1 语音信号的预处理 |
| 2.1.1 语音信号的采样 |
| 2.1.2 语音信号的预加重 |
| 2.1.3 语音信号的加窗和分帧 |
| 2.2 语音信号的端点检测 |
| 2.2.1 基于短时平均能量 |
| 2.2.2 基于短时平均过零率 |
| 2.2.3 双门限比较法 |
| 2.3 特征参数提取 |
| 2.3.1 线性预测系数(LPC) |
| 2.3.2 LP倒谱系数(LPCC) |
| 2.3.3 Mel频率倒谱系数(LPCC) |
| 2.4 语音识别算法概述 |
| 2.5 动态时间规整(DTW) |
| 2.5.1 模板匹配 |
| 2.5.2 DTW算法的原理 |
| 2.6 隐马尔科夫模型(HMM) |
| 2.6.1 HMM的定义 |
| 2.6.2 HMM的数学描述 |
| 2.6.3 HMM在语音识别中的运用 |
| 2.6.4 HMM的三个基本问题 |
| 2.7 DTW算法和HMM算法的对比分析 |
| 2.8 改进的DTW算法 |
| 2.9 本章小结 |
| 3 语音识别算法仿真 |
| 3.1 语音预处理 |
| 3.1.1 预加重 |
| 3.1.2 窗函数的选择和分帧 |
| 3.2 端点检测算法仿真 |
| 3.2.1 短时平均能量 |
| 3.2.2 短时平均过零率 |
| 3.2.3 双门限法端点检测 |
| 3.3 特征参数提取仿真 |
| 3.3.1 线性预测系数(LPC)和LPC倒谱系数(LPCC) |
| 3.3.2 Mel频率倒谱系数(MFCC) |
| 3.4 DTW算法的仿真实现 |
| 3.4.1 DTW传统算法的仿真实现 |
| 3.4.2 改进的DTW算法的仿真实现 |
| 3.4.3 DTW算法的模板训练 |
| 3.4.4 DTW算法的匹配仿真 |
| 3.5 HMM算法的仿真实现 |
| 3.5.0 HMM模型的初始化 |
| 3.5.1 HMM模型的训练 |
| 3.5.2 HMM算法的识别 |
| 3.5.3 HMM算法的识别仿真实现 |
| 3.6 DTW算法和HMM算法的对比 |
| 3.7 本章小结 |
| 4 语音识别系统硬件结构 |
| 4.1 系统硬件总体结构框架 |
| 4.2 TMS320VC5509A芯片简介 |
| 4.3 音频采集模块 |
| 4.3.1 语音采集芯片TLV320AIC23 芯片简介 |
| 4.3.2 TLV320AIC23和DSP的接口设计 |
| 4.4 电源模块电路设计 |
| 4.5 外部存储器模块 |
| 4.5.1 FLASH和 DSP的接口设计 |
| 4.6 CPLD模块 |
| 4.7 数据采集与传送模块 |
| 4.8 其它模块设计 |
| 4.8.1 JTAG调试模块 |
| 4.8.2 时钟电路设计 |
| 4.8.3 复位电路设计 |
| 4.9 本章小结 |
| 5 语音识别系统软件设计及DSP实现 |
| 5.1 DSP集成开发环境CCS |
| 5.1.1 CCS概述 |
| 5.1.2 基于CCS3.3的软件开发流程 |
| 5.2 DSP软件设计 |
| 5.2.1 编程语言选择 |
| 5.2.2 定点DSP的浮点运算 |
| 5.2.3 识别部分软件设计 |
| 5.3 系统测试及结果分析 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 全文工作总结 |
| 6.2 不足和展望 |
| 参考文献 |
| 致谢 |
（6）面向居民用户的家电负荷盲源分离研究及其支撑硬件设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 负荷分解研究 |
| 1.2.2 面向负荷分解研究的公共数据集 |
| 1.2.3 盲源分离与非侵入式分解 |
| 1.3 本文主要工作 |
| 第二章 基于稀疏编码的家电负荷盲源分离方法 |
| 2.1 盲源分离问题 |
| 2.2 稀疏表示及字典学习的基本理论 |
| 2.2.1 稀疏编码的数学模型 |
| 2.2.2 稀疏表示算法 |
| 2.2.3 字典学习算法 |
| 2.3 家电负荷的稀疏编码盲源分离 |
| 2.3.1 用电序列聚类分析 |
| 2.3.2 在线字典学习算法 |
| 2.3.3 负荷分离流程 |
| 2.4 算例分析 |
| 2.4.1 REFIT数据集 |
| 2.4.2 实验测试 |
| 2.5 本章小结 |
| 第三章 计及状态关联规则的家电负荷盲源分离方法 |
| 3.1 关联规则的基本理论 |
| 3.1.1 关联规则基本概念 |
| 3.1.2 关联规则挖掘算法 |
| 3.2 关联规则在家电负荷盲源分离中的应用 |
| 3.2.1 家电状态提取 |
| 3.2.2 家电状态关联规则挖掘 |
| 3.2.3 状态辨识及功率分解 |
| 3.3 算例分析 |
| 3.3.1 AMPds2数据集 |
| 3.3.2 实验测试 |
| 3.4 本章小结 |
| 第四章 支撑家电负荷盲源分离的硬件设计 |
| 4.1 负荷样本采集系统 |
| 4.1.1 高级量测体系概述 |
| 4.1.2 系统硬件架构 |
| 4.2 信息采集终端开发与测试 |
| 4.2.1 硬件总体结构 |
| 4.2.2 核心处理模块 |
| 4.2.3 信号采集模块 |
| 4.2.4 无线通信模块 |
| 4.2.5 扩展功能模块 |
| 4.2.6 供电模块 |
| 4.2.7 样机实物及功能测试 |
| 4.3 负荷样本采集工程 |
| 4.3.1 工程区域概况 |
| 4.3.2 设备安装方案 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）理解数字声音——基于一般音频/环境声的计算机听觉综述（论文提纲范文）
| 1 声音概述 |
| 2 计算机听觉简介 |
| 3 计算机听觉通用技术框架及典型算法 |
| 3.1 音频事件检测 |
| 3.2 音频场景识别 |
| 4 各领域基于一般音频/环境声的计算机听觉算法概述 |
| 4.1 医疗卫生 |
| 4.1.1 呼吸系统疾病 |
| 4.1.2 心脏系统疾病 |
| 4.1.3 其他相关医疗 |
| 4.2 安全保护 |
| 4.3 交通运输、仓储 |
| 4.3.1 铁路运输业 |
| 4.3.2 道路运输业 |
| 4.3.2. 1 车型及车距识别 |
| 4.3.2. 2 交通事故识别 |
| 4.3.2. 3 交通流量检测 |
| 4.3.2. 4 道路质量检测 |
| 4.3.3 水上运输业 |
| 4.3.4 航空运输业 |
| 4.3.4. 1 航空飞行器识别 |
| 4.3.4. 2 航空飞行数据分析 |
| 4.3.5 管道运输业 |
| 4.3.6 仓储业 |
| 4.4 制造业 |
| 4.4.1 铁路、船舶、航空航天和其他运输设备制造业 |
| 4.4.2 通用设备制造业 |
| 4.4.2. 1 发动机 |
| 4.4.2. 2 金属加工机械制造 |
| 4.4.2. 3 轴承、齿轮和传动部件制造 |
| 4.4.2. 4 包装专用设备制造 |
| 4.4.3 电气机械和器材制造业 |
| 4.4.4 纺织业 |
| 4.4.5 黑色及有色金属冶炼和压延加工业 |
| 4.4.6 非金属矿物制品业 |
| 4.4.7 汽车制造业 |
| 4.4.8 农副食品加工业 |
| 4.4.9 机器人制造 |
| 4.5 农、林、牧、渔业 |
| 4.5.1 农业 |
| 4.5.2 林业 |
| 4.5.3 畜牧业 |
| 4.6 水利、环境和公共设施管理业 |
| 4.6.1 水利管理业 |
| 4.6.2 生态保护和环境治理业 |
| 4.7 建筑业 |
| 4.7.1 土木工程建筑业 |
| 4.7.2 房屋建筑业 |
| 4.8 采矿业、日常生活、身份识别、军事等 |
| 4.8.1 采矿业 |
| 4.8.2 日常生活 |
| 4.8.3 身份识别 |
| 4.8.4 军事 |
| 4.8.4. 1 目标识别 |
| 4.8.4. 2 其他应用 |
| 5 总结与展望 |
（8）基于DSP的音乐信号特征识别与再现技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 音乐识别技术发展现状 |
| 1.2.2 音乐合成技术发展现状 |
| 1.2.3 DSP技术发展现状 |
| 1.3 论文研究内容与结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 音乐特征分析及钢琴音符建模 |
| 2.1 音乐特征分析 |
| 2.2 钢琴发声原理 |
| 2.3 信号预处理 |
| 2.3.1 预加重 |
| 2.3.2 加窗分帧 |
| 2.3.3 端点检测 |
| 2.4 短时傅里叶变换 |
| 2.5 音符数学模型研究 |
| 2.5.1 音符时域包络建模 |
| 2.5.2 音符谱分析 |
| 2.5.3 音符数学模型建立 |
| 2.6 本章小结 |
| 第三章 基于Matlab的钢琴音符识别与合成算法设计与仿真 |
| 3.1 特征参数提取 |
| 3.1.1 线性预测倒谱系数LPCC |
| 3.1.2 梅尔频率倒谱系数MFCC |
| 3.2 基于动态时间归整的单音符识别算法 |
| 3.2.1 动态时间规整算法原理 |
| 3.2.2 DTW算法改进 |
| 3.3 音符时值分割及多音符识别 |
| 3.3.1 基于能熵比的音符分割算法 |
| 3.3.2 基于高频内容的音符分割算法 |
| 3.3.3 多音符识别算法仿真 |
| 3.4 音乐信号再现技术的建模与仿真 |
| 3.4.1 基于正弦波的钢琴乐音合成 |
| 3.4.2 包络函数应用 |
| 3.5 GUI操作界面设计 |
| 3.6 本章小结 |
| 第四章 基于DSP的钢琴音符识别与再现系统硬件设计 |
| 4.1 系统硬件设计方案 |
| 4.2 DSP选型及主控制器介绍 |
| 4.3 基础电路设计 |
| 4.3.1 时钟电路 |
| 4.3.2 电源电路 |
| 4.3.3 复位电路 |
| 4.4 音频采集与播放模块 |
| 4.4.1 SSM3603 工作原理 |
| 4.4.2 SSM2603 音频输入 |
| 4.4.3 SSM2603 音频输出 |
| 4.4.4 采样频率设置 |
| 4.4.5 通信协议 |
| 4.5 存储模块 |
| 4.5.1 Flash存储器 |
| 4.5.2 DDR2 SDRAM存储 |
| 4.6 人机交互模块 |
| 4.6.1 键盘控制模块 |
| 4.6.2 显示模块 |
| 4.7 本章小结 |
| 第五章 基于DSP的钢琴音符识别与再现系统软件设计 |
| 5.1 软件整体结构设计 |
| 5.2 DSP系统初始化设计 |
| 5.2.1 电源和时钟初始化 |
| 5.2.2 TWI和 SSM2603 初始化 |
| 5.2.3 DDR2 SDRAM初始化 |
| 5.2.4 LCD初始化 |
| 5.2.5 矩阵键盘初始化 |
| 5.3 音频数据采集 |
| 5.4 预处理 |
| 5.5 特征提取 |
| 5.6 模式识别 |
| 5.7 钢琴音乐再现 |
| 5.7.1 音频格式简介 |
| 5.7.2 数字音乐合成 |
| 5.8 本章小结 |
| 第六章 系统测试 |
| 6.1 模块测试 |
| 6.1.1 音频线输出测试 |
| 6.1.2 音频信号采集测试 |
| 6.1.3 音符识别算法测试 |
| 6.2 系统测试 |
| 6.3 识别率测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于DSP的战场声目标实时识别与定位技术研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 战场声目标识别技术国内外研究现状 |
| 1.2.2 战场声目标定位技术国内外研究现状 |
| 1.3 论文的主要内容及创新点 |
| 1.4 论文的章节安排 |
| 第二章 声目标识别算法研究 |
| 2.1 典型战场目标声信号的产生机理及特性分析 |
| 2.1.1 地面目标声信号的产生机理 |
| 2.1.2 低空目标声信号的产生机理 |
| 2.1.3 典型战场声目标的频谱特性分析 |
| 2.2 常见声目标特征的提取算法 |
| 2.2.1 特征提取的概念 |
| 2.2.2 时域特征的提取 |
| 2.2.3 频域特征的提取 |
| 2.2.4 基于语音模型特征的提取 |
| 2.2.5 时频域特征的提取 |
| 2.3 一种战场声目标多特征参数提取的新算法 |
| 2.3.1 多特征参数提取算法的提出依据 |
| 2.3.2 小波基函数的选择 |
| 2.3.3 小波包阈值消噪 |
| 2.3.4 小波包分析的特征提取 |
| 2.3.5 离散谱分析的特征提取 |
| 2.3.6 声目标多特征参数计算流程 |
| 2.4 声目标识别分类器设计 |
| 2.4.1 分类器概述 |
| 2.4.2 BP神经网络的基本理论 |
| 2.4.3 声目标识别的BP神经网络分类器设计 |
| 2.5 声目标识别仿真实验及结果分析 |
| 2.5.1 仿真实验 |
| 2.5.2 仿真实验结果分析 |
| 第三章 声目标定位算法研究 |
| 3.1 常见声源定位算法 |
| 3.2 基于时延估计的四元十字阵声源定位算法 |
| 3.2.1 声传感器阵列的选择 |
| 3.2.2 四元十字声传感器阵列的定位数学模型 |
| 3.2.3 时延估计算法 |
| 3.2.3.1 基于互相关的时延估计算法 |
| 3.2.3.2 基于广义互相关的时延估计算法 |
| 3.2.3.3 基于抛物线插值的分数时延估计算法 |
| 3.2.4 方位角的象限转换 |
| 3.2.5 定位结果的后置处理 |
| 3.3 声目标定位仿真实验及结果分析 |
| 3.3.1 仿真实验条件 |
| 3.3.2 仿真实验结果分析 |
| 第四章 基于DSP的识别与定位软件设计 |
| 4.1 软件系统的开发环境 |
| 4.2 DSP软件系统架构分析 |
| 4.3 DSP软件开发中的要点 |
| 4.3.1 各参数精度的确定 |
| 4.3.2 浮点运算在定点DSP中的实现 |
| 4.3.3 定点运算的溢出处理 |
| 4.3.4 算法复杂度高的模块的优化 |
| 4.3.4.1 小波包分解模块的优化 |
| 4.3.4.2 BP神经网络模块的优化 |
| 4.3.4.3 广义互相关模块的优化 |
| 4.3.4.4 基本运算函数的优化 |
| 4.4 识别与定位程序流程设计 |
| 4.4.1 总体程序流程设计 |
| 4.4.2 重难点模块的程序流程设计 |
| 4.4.2.1 小波包分析模块的程序流程设计 |
| 4.4.2.2 时延估计模块的程序流程设计 |
| 第五章 基于DSP的识别与定位硬件设计和性能测试 |
| 5.1 系统硬件架构的设计 |
| 5.2 模拟信号处理电路的设计 |
| 5.2.1 四路声传感器的选型 |
| 5.2.2 信号调理电路的设计 |
| 5.2.2.1 放大电路的设计 |
| 5.2.2.2 滤波电路的设计 |
| 5.2.2.3 放大调零电路的设计 |
| 5.2.3 模数转换电路的设计 |
| 5.3 DSP外围辅助电路的设计 |
| 5.3.1 外围存储器电路的设计 |
| 5.3.2 JTAG调试接口电路的设计 |
| 5.3.3 时钟电路的设计 |
| 5.3.4 复位电路的设计 |
| 5.3.5 串口通信电路的设计 |
| 5.4 电源电路的设计 |
| 5.5 识别与定位系统性能测试和结果分析 |
| 5.5.1 系统性能测试的环境 |
| 5.5.2 目标识别结果分析 |
| 5.5.3 目标定位结果分析 |
| 第六章 总结与展望 |
| 6.1 课题总结 |
| 6.2 课题展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 插图清单 |
| 列表清单 |
| 在学研究成果 |
（10）基于多传感器融合的猪只行为辨识（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外发展现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 本文主要工作和章节安排 |
| 2 猪只行为辨识系统方案设计 |
| 2.1 养殖场猪只行为辨识需求分析 |
| 2.2 养殖场环境状况介绍 |
| 2.3 系统总体设计 |
| 2.4 声音行为辨识方案设计 |
| 2.4.1 滤波器类型选择 |
| 2.4.2 定位算法的选择 |
| 2.4.3 DSP芯片选择 |
| 2.5 运动行为辨识方案设计 |
| 2.5.1 运动行为采集传感器选型 |
| 2.5.2 无线通信方式选择 |
| 2.6 多传感器融合系统方案的设计 |
| 2.7 本章小结 |
| 3 猪只声音行为辨识系统设计 |
| 3.1 声音采集模块接口电路设计 |
| 3.1.1 DSP电源电路设计 |
| 3.1.2 复位电路电路设计 |
| 3.1.3 时钟电路设计 |
| 3.1.4 滤波电路设计 |
| 3.2 声音定位TDOA算法的实现 |
| 3.3 基于DSP的MFCC特征向量提取软件设计 |
| 3.3.1 编写环境介绍 |
| 3.3.2 声音处理代码及注释简要介绍 |
| 3.4 特征参数MFCC的提取 |
| 3.4.1 声音预处理设计 |
| 3.4.2 傅里叶变换应用 |
| 3.4.3 特征参数MFCC的获取 |
| 3.5 本章小结 |
| 4 猪只运动行为辨识系统设计 |
| 4.1 运动行为采集接口电路设计 |
| 4.1.1 ADXL345传感器接口设计 |
| 4.1.2 基于ADXL345传感器运动行为采集设计 |
| 4.1.3 微控制器电路设计 |
| 4.2 基于ZigBee通信系统的实现 |
| 4.2.1 ZigBee协议栈介绍 |
| 4.2.2 基于ZigBee无线传感器网络软件设计 |
| 4.3 多特征参数的提取 |
| 4.3.1 提取过程 |
| 4.3.2 特征参数分析 |
| 4.4 本章小结 |
| 5 猪只行为融合系统设计 |
| 5.1 基于SVM融合算法设计 |
| 5.1.1 SVM融合算法介绍 |
| 5.1.2 SVM融合算法应用 |
| 5.2 本章小结 |
| 6 计算机监测平台设计 |
| 6.1 图形用户界面设计 |
| 6.1.1 监测平台软件编写环境介绍 |
| 6.1.2 监测平台串口开发 |
| 6.2 猪只行为评估系统设计 |
| 6.3 监测平台界面开发 |
| 6.4 数据库SQLService开发 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文目录 |
四、基于DSP芯片实现的异常声音识别系统（论文参考文献）
- [1]基于差分麦克风阵列的波束形成技术研究[D]. 郑毅豪. 湖北工业大学, 2020(03)
- [2]计算机辅助翻译与机器翻译结合下的德生收音机评测文章翻译实践报告[D]. 唐尧. 东华大学, 2020(11)
- [3]脉冲噪声环境下麦克风阵列的DOA估计技术研究[D]. 麻付强. 北京科技大学, 2020(01)
- [4]基于声学特征的旋转机械故障诊断方法及其DSP实现[D]. 李春琦. 西南科技大学, 2020(08)
- [5]基于DSP的语音识别系统设计[D]. 崔楚涵. 辽宁石油化工大学, 2020(04)
- [6]面向居民用户的家电负荷盲源分离研究及其支撑硬件设计[D]. 徐伟枫. 华南理工大学, 2020(02)
- [7]理解数字声音——基于一般音频/环境声的计算机听觉综述[J]. 李伟,李硕. 复旦学报(自然科学版), 2019(03)
- [8]基于DSP的音乐信号特征识别与再现技术研究[D]. 王倩. 西安电子科技大学, 2019(02)
- [9]基于DSP的战场声目标实时识别与定位技术研究与实现[D]. 徐舒. 安徽工业大学, 2018(01)
- [10]基于多传感器融合的猪只行为辨识[D]. 王丹聪. 陕西科技大学, 2018(12)