基于卷积神经网络和MFCC的颤振识别方法和系统.pdf
星菱****23
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。
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
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。