内容提供者
一种多特征融合的制动噪声分类识别方法.pdf
2023-05-09
10金币
371KB
10页
一只****呀9
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
在线预览结束，喜欢就下载吧，查找使用更方便
相关资料
一种多特征融合的制动噪声分类识别方法.pdf
本发明涉及一种多特征融合的制动噪声分类识别方法,包括以下步骤:1)采集车辆的制动噪声信号并进行噪声类型的人工标注,提取制动噪声信号的特征图与噪声类型的分类标签一一对应构建数据集;2)将特征图输入预训练的特征融合深度神经网络分类模型中,进一步提取特征向量并融合后进行识别分类。与现有技术相比,本发明利用特征融合的深度神经网络对制动噪声进行分类识别,用于制动噪声试验数据处理,能够代替人工听音识别制动噪声的类型,缩短开发周期和资金投入,比单一的特征识别效果更好。
2023-05-09
10
371KB
一种基于深度学习的制动噪声分类识别方法.pdf
本发明涉及一种基于深度学习的制动噪声分类识别方法,该方法包括以下步骤:1)通过声音采集装置获取原始声音信号并进行分类标注;2)对标注后的原始声音信号提取相应的时频特征图;3)构建深度学习分类模型并进行训练;4)将待识别声音信号的时频特征图输入已训练好的深度学习分类模型中得到识别结果。与现有技术相比,本发明利用深度学习的方法对制动噪声进行分类识别,用于制动噪声试验数据处理,能够代替人耳识别制动噪声的类型,节省大量的人力和时间成本,缩短开发周期和资金投入,且识别的准确性和稳定性更高。
2023-05-23
10
340KB
一种多特征融合的表情识别方法.pdf
本发明提出一种基于自我修正与融合多尺度特征改进VGGNet的表情识别方法。该方法首先在VGGNet16网络前端新增一个多尺度特征提取网络结构，并将不同深度网络提取的多种特征进行支路特征融合，保留更完善的特征信息；然后通过在每个卷积层之后使用批量标准化，并在全连接层之后使用Dropout，以此加快网络模型收敛速率，降低网络模型发生梯度消失与过拟合的概率；最后在网络的后端加入自我修正网络，抑制样本的标注不确定性为网络模型训练带来的影响。该方法可在标注不确定数据集上以更高的精度识别出七种基本的表情。
2023-11-06
10
475KB
一种多尺度特征融合的行为识别方法.pdf
本发明公开了一种多尺度特征融合的行为识别方法,具体包括如下步骤:步骤1,数据预处理;步骤2,构建外观特征提取模块;步骤3,构建运动趋势特征提取模块;步骤4,构建特征融合模块。采用本发明,通过实验结果表明,与主流方法相比,本方法鲁棒性更好,适应性更强,效果更好,丰富了人工智能和计算机视觉的方法体系,支撑了行为识别领域的发展,为行为识别的低成本识别技术提供了一种选择。
2023-05-18
10
551KB
一种真假目标一维距离像多特征非线性融合分类识别方法.pdf
本发明属于目标识别技术领域，具体涉及一种真假目标一维距离像多特征非线性融合分类识别方法。本发明的方法首先从一维距离像中提取长度特征、相邻散射中心分布特征及主分量模式特征，然后，利用多个混合核函数形成一个非线性特征融合器对以上三类特征进行融合，实现目标的分类识别，由于通过特征融合使多个特征在信息域进行了互补，同时，非线性融合方法的引入，也一定程度解决了一维距离像数据分布出现的非线性问题，从而改善了对目标的识别性能。对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了该方法的有效性。
2023-07-22
10
384KB