为获得准确的间谐波信号的频率分布估计值,文章提出了基于插值线性调频Z变换(chirp Z transform,CZT)的间谐波分析方法。该方法通过CZT变换获得精确的等价于离散傅里叶变换结果的间谐波信号的频率分布估计值,利用基于Rife-Vincent Ⅲ窗...为获得准确的间谐波信号的频率分布估计值,文章提出了基于插值线性调频Z变换(chirp Z transform,CZT)的间谐波分析方法。该方法通过CZT变换获得精确的等价于离散傅里叶变换结果的间谐波信号的频率分布估计值,利用基于Rife-Vincent Ⅲ窗的双谱线插值修正公式修正上述估计结果,得到了较精确的各次谐波和间谐波参数。仿真结果验证了该方法的正确性和有效性,与现有方法的比较结果表明,相同采样频率下该方法的检测精度更高。展开更多
文摘为获得准确的间谐波信号的频率分布估计值,文章提出了基于插值线性调频Z变换(chirp Z transform,CZT)的间谐波分析方法。该方法通过CZT变换获得精确的等价于离散傅里叶变换结果的间谐波信号的频率分布估计值,利用基于Rife-Vincent Ⅲ窗的双谱线插值修正公式修正上述估计结果,得到了较精确的各次谐波和间谐波参数。仿真结果验证了该方法的正确性和有效性,与现有方法的比较结果表明,相同采样频率下该方法的检测精度更高。
文摘【目的】深度学习在鸟类物种识别的应用是目前的研究热点,为了进一步提高识别效果,提出一种基于鸟鸣声的Chirplet语图特征和深度卷积神经网络的鸟类物种识别方法。【方法】引入线性调频小波变换(Chirplet transform,CT)计算鸟鸣声信号的语图,输入深度卷积神经网络VGG16模型中,通过对语图进行分类实现鸟类物种的识别。以北京市松山国家自然保护区实地采集的18种鸟类为研究对象,利用Chirplet变换、短时傅里叶变换(short-time fourier transform,STFT)和梅尔频率倒谱变换(Mel frequency cepstrum transform,MFCT)计算得到3个不同的语图样本集,对比分别采用不同的语图样本集作为输入时鸟类物种识别模型的性能。【结果】结果表明:Chirplet语图作为输入时,测试集的平均识别准确率(mean average precision,MAP)达到0.987 1,相对于其他两种输入,得到了更高的MAP值,而且在训练时达到最大MAP值的迭代次数最小。【结论】采用不同的语图特征作为输入,直接影响深度学习模型的分类性能。本文计算的Chirplet语图的鸣声区域相比STFT语图和Mel语图更为集中,特征更明显。因此,Chirplet语图更适合于基于VGG16模型的鸟类物种识别,可以得到更高的MAP值和更快的识别效率。
