期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
兵器辐射噪声信号的非线性特性及其在被动声信号分类中的应用 被引量：1
1
作者 丁庆海 庄志洪 +1 位作者 路建伟 张清泰 《声学学报》 EI CSCD 北大核心 1999年第5期516-522,共7页
首先利用双谱分析检验了兵器辐射噪声信号的非高斯、非线性特性，结果表明准确的兵器辐射噪声信号模型应为非线性模型。然后，提出了利用一种双线性参数模型对信号进行预处理，并给出了参数估计算法。最后，利用提取的双线性参数模型的... 首先利用双谱分析检验了兵器辐射噪声信号的非高斯、非线性特性，结果表明准确的兵器辐射噪声信号模型应为非线性模型。然后，提出了利用一种双线性参数模型对信号进行预处理，并给出了参数估计算法。最后，利用提取的双线性参数模型的系数建立了一积隐含马尔可夫模型，对声信号进行分类。分类结果表明，基于双线性参数模型的积隐含马尔可夫模型分类器，在性能上优于传统的基于AR参数模型的隐含马尔可夫模型分类器，在被动声信号分类中具有良好的应用前景。 展开更多
关键词 兵器 辐射噪声信号 声信号分类 非线性
下载PDF
基于Mel频谱特征的水声信号分类研究
2
作者 张娉 成建波 孙秉巍 《声学与电子工程》 2024年第3期10-14,共5页
为解决传统的时域、频域特征不足以完全表征水声信号非线性、非高斯的问题,文章以海洋环境下采集的水声信号为对象,选用Mel频谱特征作为水声信号特征,提取了四类水声信号的Mel频谱特征制作数据集,分别用SVM分类器、BP神经网络分类器以及... 为解决传统的时域、频域特征不足以完全表征水声信号非线性、非高斯的问题,文章以海洋环境下采集的水声信号为对象,选用Mel频谱特征作为水声信号特征,提取了四类水声信号的Mel频谱特征制作数据集,分别用SVM分类器、BP神经网络分类器以及VGG16卷积神经网络分类器进行训练与分类测试,以验证水声信号识别能力。结果表明,三种分类器模型对四类水声信号的平均分类精度均可达89%以上,证明Mel频谱特征能够有效表达水声信号特征的能力。而BP神经网络分类器可获得优于SVM的分类精度,卷积神经网络的分类精度则高出BP神经网络6.0%,其平均分类准确率为97.5%,因此,基于VGG16卷积神经网络构建的分类器具有更好的识别能力。 展开更多
关键词 水声信号分类 Mel频谱特征 机器学习 神经网络 支持向量机
下载PDF
基于深度学习的声信号分类识别方法 被引量：3
3
作者 王鹏程 崔敏 +2 位作者 王彦博 李剑 赵欣 《单片机与嵌入式系统应用》 2021年第1期23-26,共4页
提出了一种基于深度学习的声信号分类识别方法,将声场环境中声源目标的识别等效为声场信号—特定声源的端到端学习过程,建立一种以log-mel能量为声信号特征的预提取方法,以深度残差网络作为特征自动提取及分类的声信号分类识别模型。在... 提出了一种基于深度学习的声信号分类识别方法,将声场环境中声源目标的识别等效为声场信号—特定声源的端到端学习过程,建立一种以log-mel能量为声信号特征的预提取方法,以深度残差网络作为特征自动提取及分类的声信号分类识别模型。在两个大型数据集上对模型性能进行了验证,实验结果表明,本文提出的深度残差网络模型在DCASE2019数据集和UrbanSound8K数据集上能够实现80.2%和76.4%的识别精度,在声源探测领域具有一定的应用价值。 展开更多
关键词 声源探测 声信号分类识别 深度学习 深度残差网络 时频域分析
下载PDF
结合LSTM与CNN的野外车辆声信号分类 被引量：3
4
作者 李翔 王艳 李宝清 《压电与声光》 CAS 北大核心 2021年第3期379-384,共6页
针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(F... 针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet)。该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关系;再用CNN并行提取多尺度特征,避免网络加深过程中特征的流失;引入通道注意力机制进行多尺度和多层次特征融合,增强多尺度、多层次关键特征信息;最后在相同数据集上进行验证。实验结果表明,FVNet算法对3种车辆的总识别率可达94.95%,与传统方法相比,其总识别率提高了14.61%,取得了较好的分类效果。 展开更多
关键词 车辆声信号分类 长短时记忆网络(LSTM) 卷积神经网络(CNN) 并行多尺度特征提取 通道注意力机制 特征融合
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部