基于集成学习和卷积神经网络的环境声音识别方法.pdf
玉军****la
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于集成学习和卷积神经网络的环境声音识别方法.pdf
本发明公开了基于集成学习和卷积神经网络的环境声音识别方法,包括:S1、特征提取,对原始音频进行分帧和加窗,利用梅尔滤波器组得到声音的梅尔能量频谱,最终得到最后的梅尔能量频谱特征,作为数据集;S2、模型训练,采用k折交叉验证和使用mixup数据增强方法对于所述数据集进行模型训练,得到K个卷积神经网络模型;S3、声音测试,对待测声音样本通过卷积神经网络模型进行识别。本发明能够利用k折交叉验证训练k个模型并结合k个模型进行声音识别,大大增强了模型的泛化能力,有效缓解了过拟合的现象,此外针对数据量不大的情况,使用
基于卷积神经网络的环境声音识别方法及系统.pdf
一种基于卷积神经网络的环境声音识别方法及系统,将从音频中提取得到的梅尔能量谱特征进行混合构建得到样本库,用于对卷积神经网络模型进行训练,最终以训练后的卷积神经网络进行环境声音的识别,本发明在ESC‑10、ESC‑50和UrbanSound8K三个公开声音数据集上取得了最好或者接近最好的结果。
一种基于mel能量谱和卷积神经网络的声音故障识别方法.pdf
本发明公开了一种基于mel能量谱和卷积神经网络的声音故障识别方法,首先将初始输入的音频数据进行预加重,之后需要对数据进行分帧、加窗处理,然后要对分帧、加窗后的音频信号进行快速傅里叶变换,提取频域上的能量特征之后,将能量谱通过一组Mel尺度的三角形滤波器组,之后对每一帧对应不同频域的能量作为Y轴,时域上不同帧作为X轴,将数据转换为梅尔能量谱图。此后,需要进一步对能量谱图进行分帧,以适应CNN(卷积神经网络)的输入,每一帧为一个样本,每个样本对应的标签的独热编码作为CNN网络的输出,对CNN网络模型进行训练,
基于卷积神经网络和Bert的雷达目标识别方法.pdf
本发明公开了一种基于卷积神经网络和Bert的雷达目标识别方法,包括以下步骤:S1,收集数据并划分训练集和测试集,对数据进行强度归一化和重心对齐处理;S2,将上述处理的HRRP样本输入到CNN模块,用CNN对处理后的样本进行提取特征;S3,用Bert处理CNN提取的有效特征,提取更加深层的特征;S4,搭建分类器,对HRRP目标分类,对Bert的输出,再次使用注意力机制,将更有效的特征进行保留,最后采用softmax对网络的输出进行分类;S5,将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完
基于卷积神经网络和DAE_Transformer的调制识别方法.pdf
本发明公开了基于卷积神经网络和DAE_Transformer的调制识别方法,包括:以训练集中的调制信号为输入,其对应的融合注意力特征图为输出,结合Transformer注意力机制,构建去噪自动编码器。以融合注意力特征图为输入,调制信号的识别结果为输出,构建基于ResidualNetwork网络结构的classifier模块。基于去噪自动编码器和classifier模块,以调制信号为输入、调制信号的识别结果为输出,构建基于卷积神经网络和DAE_Transformer的调制识别模型。在公共数据集RadioM