基于闭集算法的声纹识别模型由几类故障样本与正常样本训练得到,同时假设后续输入样本同属于这几个确定的类别。在应用中,强环境噪声等陌生类别可能导致大量误报。为在室外等多噪声环境下降低误报率,同时保持故障样本召回率,提出了一种...基于闭集算法的声纹识别模型由几类故障样本与正常样本训练得到,同时假设后续输入样本同属于这几个确定的类别。在应用中,强环境噪声等陌生类别可能导致大量误报。为在室外等多噪声环境下降低误报率,同时保持故障样本召回率,提出了一种基于新奇检测的两级声纹识别算法。以断路器储能电机为实验对象,对1种正常工况和3种异常工况的声音信号进行加窗、分帧等预处理,随后提取梅尔频率倒谱系数(Mel frequency cestrum coefficient,MFCC)特征向量,最后使用单类支持向量机(one-class support vector machine,one-class SVM)作为第1级新奇检测算法分离陌生类,再使用C参数支持向量机(c-support vector machine,C-SVM)作为第2级算法进行识别。实验结果表明,与现有的单级声纹识别方法相比,所提出的方法可以有效检出陌生类,在信噪比高于20dB时故障样本召回率下降小于0.33%,在信噪比低于20dB时误报率下降超过63.47%。展开更多
文摘基于闭集算法的声纹识别模型由几类故障样本与正常样本训练得到,同时假设后续输入样本同属于这几个确定的类别。在应用中,强环境噪声等陌生类别可能导致大量误报。为在室外等多噪声环境下降低误报率,同时保持故障样本召回率,提出了一种基于新奇检测的两级声纹识别算法。以断路器储能电机为实验对象,对1种正常工况和3种异常工况的声音信号进行加窗、分帧等预处理,随后提取梅尔频率倒谱系数(Mel frequency cestrum coefficient,MFCC)特征向量,最后使用单类支持向量机(one-class support vector machine,one-class SVM)作为第1级新奇检测算法分离陌生类,再使用C参数支持向量机(c-support vector machine,C-SVM)作为第2级算法进行识别。实验结果表明,与现有的单级声纹识别方法相比,所提出的方法可以有效检出陌生类,在信噪比高于20dB时故障样本召回率下降小于0.33%,在信噪比低于20dB时误报率下降超过63.47%。
