内容提供者
基于卷积神经网络和MFCC的颤振识别方法和系统.pdf
2023-06-25
10金币
445KB
8页
星菱****23
实名认证
内容提供者
1/8
2/8
3/8
4/8
5/8
6/8
7/8
8/8
在线预览结束，喜欢就下载吧，查找使用更方便
相关资料
基于卷积神经网络和MFCC的颤振识别方法和系统.pdf
本发明提供一种基于卷积神经网络和MFCC的颤振识别方法和系统，该方法包括如下步骤：获取削切过程中发生颤振和没有发生颤振时的噪声信号，并根据该噪声信号的梅尔倒谱系数对卷积神经网络进行训练，得到训练后的卷积神经网络；在削切过程中实时采集噪声信号，根据该噪声信号的梅尔倒谱系数，结合训练后的卷积神经网络，判断削切过程中是否存在颤振。本发明所提供的技术方案，通过噪声信号倒谱系数和卷积神经网络得到噪声信号与颤振之间的关系，在削切过程中，通过噪声信号即可判断出是否发生颤振，解决现有技术中检测颤振的方式适用性差的问题。
2023-06-25
10
445KB
基于EMD和SVM的切削颤振识别方法研究.docx
基于EMD和SVM的切削颤振识别方法研究基于EMD和SVM的切削颤振识别方法研究摘要：切削颤振是机械加工中的一种严重问题，可能导致加工件表面质量下降甚至工具破损。因此，及时准确地识别切削颤振非常重要。本文提出了一种基于经验模态分解（EMD）和支持向量机（SVM）的切削颤振识别方法。首先，通过EMD对切削力信号进行分解，得到多个固有振动模态函数（IMF）。然后，构建IMF能量特征向量作为SVM的输入，在训练阶段利用标记的正常和颤振信号样本对SVM进行训练。最后，通过测试集对训练好的SVM模型进行测试和识别。
2024-11-01
5
10KB
基于卷积神经网络的深孔镗削加工过程颤振监测研究.docx
基于卷积神经网络的深孔镗削加工过程颤振监测研究标题：基于卷积神经网络的深孔镗削加工过程颤振监测研究摘要：随着工业领域对加工质量和效率要求的提高，深孔镗削技术在航空、航天、汽车等领域得到广泛应用。然而，由于切削过程中的颤振现象可能导致加工表面粗糙度增大、加工精度下降甚至设备破损，因此深孔镗削加工过程颤振监测显得尤为重要。本文提出了一种基于卷积神经网络的深孔镗削加工过程颤振监测方法，通过对切削过程中的振动信号进行特征提取和分类，实现对颤振的监测与预测。实验结果表明，该方法能够有效地检测深孔镗削加工过程中的颤振
2024-10-18
5
10KB
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
2023-06-25
10
579KB
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
2023-06-02
10
808KB