公路降噪型伸缩装置设计、制作、性能分析及应用研究
摘要：有效的降噪和异常特征提取对于城市交通运行中的异常声音检测非常重要。然而，为了提高连续交通流甚至重叠车身的检测精度，应探索能够实现准确信噪比和适当特征参数的有效方法。针对传统交通检测方法的缺点，如短时能量（STE）和梅尔频率倒谱系数（MFCC），本研究采用了一种改进的谱减法来分析交通噪声。通过STE和MFCC系数的特征融合，获得了一个创新的特征参数E-MFC，有助于提出一种基于三角波分析（TWA）的交通噪声检测解决方案。利用MATLAB中的APP Designer建立了交通检测仿真平台。实验结果表明，与使用传统STE和MFCC方法的交通检测准确率分别为67.77%和76.01%相比，所提出的TWA的检测准确率显著提高，达到91%。结果表明，所提出的交通检测方法在解决重叠问题方面的有效性，从而实现了道路交通量的准确检测，提高了道路运营效率。 关键词：公路降噪技术；性能检测；研究
引言
在世界各地的许多城市，需要维护和改善现有的道路网络基础设施，如拓宽现有道路和利用
智能交通系统技术。道路传感器的数量通常非常庞大，无法捕捉所有交通流状况以进行短期交通流预测。同时，交通噪声排放可能与以下属性有关：例如，功率单元组件；速度、交通流类型和道路坡度之间的相互作用；滚动噪声分量；以及交通速度与路面之间的关系函数。作为主要的输入数据源之一，交通噪声谱轮廓用于实时交通检测，以实时获得道路交通流估计，平均正确分类率约为96%。从附近的两个传感器获取音频信号，将广义互相关（GCC）函数与粒子滤波器相结合，以联合估计速度和轴距长度。将语音用于道路交通监控，基于声学观测车辆轨迹的相关函数，提出了谱减法的设计方法。开发了具有更明确路面制造商（RSM）特征的概率噪声模型，以分析不同驾驶条件下RSM特征检测的结果。 一、材料和方法
（一）行驶噪声预处理及特征分析
木薯干语音端点检测（VED）技术已广泛应用于语音检测，其主要目的是从输入信号中区分语音和非语音段。使用端点检测技术检测交通量的核心是设置阈值并确认车辆信号帧。车辆的存在由阈值决定，如图1所示。根据波形图的相应横坐标，可以粗略地确定过饱和路段。图中的红虚线表示车辆道路的起点，绿线是终点，这两个点都是通过行驶噪声信号的波形来
粗略判断的。在本研究中，不建议根据波形判断低信噪比。例如，图1中包括两辆车，但不幸的是，此时只检测到一辆车。因此，有必要设置一个阈值，如图1所示，通过该阈值可以获得波形的两个部分。
图1交通噪声信号分析
1、预处理
提取驾驶噪声MFCC，并基于MFCC特征的神经模糊分类器，使用SVM在三个不同的交通密度水平上对低交通量（40 km/h）、中等交通量（20–40 km/h）和高交通量（0–20 km/h）进行分类，表明分类准确率超过95%[26]。Kaur等人分别收集了“繁忙街道”和“安静
街道”的交通噪声数据，并提取了各种基于时间和频率的特征，如短时过零率（ZCR）、短时能量（STE）、均方根（RMS）和MFCC，神经网络和SVM的分类准确率分别为91.8%和93%。
在道路上行驶的车辆往往伴随着异常短期信号的影响，例如车辆鸣笛、紧急制动等，这些信号也可能被错误地检测为车辆通过。根据高阈值和低阈值，提出了车辆噪声信号检测和分析算法。
整个算法在检测状态和车辆信号状态之间迭代。完成一个循环就是检测车辆通过，循环次数等于车辆数量。通过探索所有数据序列，可以实现道路交通流检测的目标。
预处理过程主要使用以下操作模式：预加重、加窗、成帧、归一化和降噪。在对噪声信号进行采样之后，插入一个称为音频样本预加重的FIR高通滤波器，以便于音频样本的分析。其目的是提高音频信号的高频分辨率。预加重处理对低频信号有一定的抑制作用。在预加重之后，交通噪声信号的高频分量显著增加，并且信号的总振幅变小。预加重后的交通噪声信号波形在无车时变得更加平滑，这有利于后续的信号处理和特征提取。
2、框架和系统
交通噪声信号是一种具有非平稳性的随机信号，在相当短的时间范围内可以看作是一个准稳态过程。在交通噪声信号处理过程中，需要对整个信号处理进行帧化，通常在10–30ms的范围内，以确保输入信号的稳定性。为此，根据等式（1）对长度为L的交通噪声信号进行成帧。
3、标准化处理
在行驶噪声信号采集过程中，即使同一车辆受到采集设备的速度和位置等因素的影响，采集的信号幅度也不同。为了消除各种因素对交通检测的影响，当获得弱交通信号在强信号中的位置时，需要进行选择判断。欧几里得距离被用作判断函数。由于音频中连续信号的输出，通过使用距离辨别指数，收集的信号幅度被用于消除收集设备位置的影响和权重，表达式如等式（2）所示：
有线电视分支分配器
水泥增强剂配方
4、改进的频谱减法降噪
玻尿酸蚕丝面膜
破坏一号发电机>饮用水过滤器在谱相减过程中，需要确定前导噪声段的长度和参数和的值。音频信号的采集是完全随机的背景噪声；因此，当使用谱减法时，线值可能会大于此值。在这种情况下，如果使用谱相减来降低噪声，则无法去除背景噪声环境，并且将保留许多毛刺峰值点，这大大降低了噪声降低的效果。多窗口谱估计的改进谱减法主要基于基本谱减法技术。正交数据窗口被改进为多个正交数据窗口。
原始交通噪声信号时域序列为xtd（n0），预处理后的信号序列为xtd（n），xtd（n）表示为第i帧交通噪声信号。一般的谱减法降噪步骤包括时频域转换、噪声估计、相位角计算、谱减法和频率-时域转换的五个步骤。时频域转换、噪声估计和相位角计算的三个步骤对于谱相减的准备工作非常重要，如下面的等式（3）所示：
（二）基于交通噪声三角波分析的交通检测
1、特征提取与融合
本研究提出了用于交通量处理的三角波分析（TWA）技术。通过对STE和MFCC特征交通检测方法的分析，这两种方法在检测重叠拥堵路段的性能方面都有一定的局限性。交通噪声信号的STE（Ei）的指示符是通过从MFCC中的dm中取d0m来计算的，并且交通噪声信号短时能量Ei的前两帧和后两帧被丢弃，因为这些帧没有被包括在计算dm中。为了匹配d0m的长度，短时能量Ei也被丢弃。然后将Ei乘以索引，即E-FCC的帧i信号的特性。
E-FCC不需要通过描述背景噪声的MFCC来设置前NIS帧音频，以便计算平均值。E-FCC特征对于流量检测是可行的，它优于短期能量和MFCC。
2、三角波的形成和组合
三角波的形成和组合主要包括四个部分：三角波形成、三角波上的组合、三角波下的组合和框架宽度的扩展。
T1是以单调递增的方式出现的干涉三角波，T2是以单调递减的方式出现干扰三角波，T3是包括T1和T2的干扰三角波。为了获得令人满意的检测精度，有必要对这三种情况进行三角波向上组合、三角波向下组合和帧宽度扩展。这是T1情况的解决方案。在对三角波进行组合操作后，消除了T1型单调增加的干扰三角波。这是T2病例的解决方案。经过三角波上下组合处理后，一些三角波的峰值仍然很小；即某些环境噪声段中的信号非常弱。可以看出，在三角波的操作降低后，组合算法消除了T2型单调下降干扰三角波。同时，上下三角波组合后，T3干扰波基本消除。帧宽度扩展算法是为了解决异常噪声（哨声、鸟鸣声）问题而设计的。其核心思想是扩展重叠拥塞段的帧宽度。通过设置拥堵路段的最小帧长，获得交通量。三角波分析算法解决了分离重叠车辆路段的问题，可以应用。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议