一种基于深度学习的制动噪声分类识别方法.pdf
一只****签网
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。
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。
一种基于深度学习的水下声信号目标分类识别方法.pdf
本发明属于水下声信号处理技术领域,具体涉及一种基于深度学习的水下声信号目标分类识别方法。本发明包括以下步骤:(1)原始水下声信号通过Gammatone滤波倒谱系数GFCC算法进行特征提取;(2)提出利用改进经验模态分解MEMD算法提取瞬时能量以及瞬时频率,并与GFCC算法提取的特征值进行融合,构建特征矩阵;(3)建立高斯混合模型GMM,保留水下声信号目标的个性特征;(4)利用深度神经网络DNN完成水下目标分类识别。本发明可以解决传统水下声信号目标分类识别方法特征提取单一,抗噪能力差的问题,并且能有效的提高
一种基于深度学习的场景识别方法.pdf
本发明公开了一种基于深度学习的场景识别方法,包括:对待识别的原始图片进行预处理,获得尺寸和通道一致的待识别图像;构建深度学习网络,并对所述深度学习网络进行训练,获得训练后的深度学习网络模型,其中,所述深度学习网络包括目标检测网络单元、场景识别网络单元、第一特征融合单元、注意力网络单元以及第二特征融合单元;将所述待识别图像输入训练后的深度学习网络模型中,获得图像的场景识别结果。本发明通过低‑高层特征的融合,结合注意力机制,增加图像特征中的细节信息,可以对原始图片进行有效的场景分类。
基于深度学习的蛋鸡舍噪声应激源识别分类方法.pdf
本发明公开了基于深度学习的蛋鸡舍噪声应激源识别分类方法,包括:获取蛋鸡舍周围噪声的声音文件,对声音文件进行预处理,获得待识别声音文件,对待识别声音文件进行短时傅里叶变换获得声谱图;对预处理后的声音文件进行降噪处理,获得降噪后的数据集并划分为训练集和测试集;构建Resnet34网络模型,基于所述训练集对所述Resnet34网络模型进行训练,采用所述测试集对所述Resnet34网络模型进行测试,获得蛋鸡舍噪声应激源识别模型,利用所述蛋鸡舍噪声应激源识别模型进行蛋鸡舍周围噪声应激源识别分类。本发明利用深度学习方