[发明专利]一种基于卷积神经网络的汽车鸣笛识别方法在审
| 申请号： | 201910378725.7 | 申请日： | 2019-05-08 |
| 公开（公告）号： | CN110136745A | 公开（公告）日： | 2019-08-16 |
| 发明（设计）人： | 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 |
| 主分类号： | G10L25/30 | 分类号： | G10L25/30;G06N3/08;G06N3/04;G06K9/62 |
| 代理公司： | 西北工业大学专利中心 61204 | 代理人： | 顾潮琪 |
| 地址： | 710072 *** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 卷积神经网络 鸣笛 声谱图 训练集 验证集 短时傅里叶变换 矩阵 汽车 环境背景噪声 人工智能技术 智能交通领域 参数调整 判别结果 传感器 采集 马路 应用 | ||
【权利要求书】：
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号进行高通滤波。
3.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：所述的第三步采用汉宁窗进行信号截取，对高通滤波后的信号进行短时傅里叶变换。
4.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：所述的第四步采用的划分方法包括留出法、交叉验证法和自助法。
5.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：所述的第五步，构建卷积神经网络并对超参数进行训练优化，所述的超参数包括学习率、批次大小、迭代次数、卷积核尺寸、步长和激活函数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西北工业大学;西安联丰迅声信息科技有限责任公司，未经西北工业大学;西安联丰迅声信息科技有限责任公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910378725.7/1.html，转载请声明来源钻瓜专利网。
