基于颜色通道特征融合的环境声音分类方法

针对传统神经网络提取的复杂环境声音特征微弱，导致分类准确率低的问题，提出了一种基于颜色通道特征融合的环境声音分类方法。首先，从原始音频数据中提取出三种声音特征，即对数梅尔频谱图（log-Mel spectrogram, LMS）、梅尔倒谱系数（Mel-scale frequency cepstral coefficients, MFCC）以及能量谱图（energy spectrum, ES）；其次，分别将以上三者作为RGB颜色通道分量进行特征融合，形成包含更多特征信息的声谱图，更全面表征环境声音；再次，为了避免由于数据集较少导致所训练的模型泛化能力较差，对预训练模型VGG-16采用微调方法进行训练；最后，在两个广泛使用的环境声音分类数据集以及实际场景采集的音频上验证本文所提方法的有效性，并与其他模型的准确率进行对比。结果表明，本文所提方法在ESC-10以及ESC-50数据集上的准确率分别能够达到88.2%和65.2%，并且能提高实际场景采集的音频分类效果。     

采用基本环境参数的导线覆冰预测方法

风速、温度、空气中液态水含量和水滴中值体积直径等4项参数是影响导线覆冰的主要环境参数。根据空气中水滴运动、碰撞和冻结进而形成导线覆冰的过程，基于流体力学和热平衡建立了“四参数”导线覆冰模型，通过数值计算详细分析了各个环境参数对导线覆冰增长速率的影响特性，并结合线路实际监测数据分析并拟合了液态水含量和水滴中值体积直径的经验公式，进而建立基于基本环境参数（一般传感器可获得的环境参数）的导线覆冰预测模型。研究结果表明：水滴中值体积直径对导线覆冰速率的影响具有饱和特性，空气中液态水含量的变化和风速、温度和湿度具有一定相关性。研究结论为输电线路覆冰预测、预警工作提供了理论参考。