LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

基于振动与声音信号深度学习的岩性识别方法

岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。     

字母识别的神经网络方法

本文作者用人工神经网络进行英文字母的识别工作。首先进行了字母的数字化转化,将图像格式转化为数字格式,用5×7矩阵的布尔值表示每个字母;然后设计了反向传播型人工神经网络模型;最后,用经过训练的模型对字母进行识别,结果表明:噪声信号的平均水平低于0.2时,神经网络模型能够完全正确识别26个字母;噪声水平在0.2时,神经网络模型开始出现错误,随着噪声水平的增加,神经网络模型的识别率逐渐下降。     

常用神经网络的操作模型与算法

给出前馈神经网络（ＦＮＮ），径向基神经网络（ＲＢＦＮＮ）和子波神经网络（ＷＮＮ）的操作模型。分别导出它的识别，逼近和学习方程，并给出它的识别，逼近和训练算法。计算机模拟表明用径向基函数神经网络和子波神经网络识别入射波具有很好的频率，入射角及相位识别特性     

基于多尺度梅尔倒谱系数的转辙机声信号状态识别方法

为了准确地识别铁路转辙机所处的工作状态,保证列车能够安全行驶并转向,提出了一种基于声音信号的转辙机状态识别方法。首先将声音信号预处理后提取其梅尔倒谱系数(Mel frequency cepstrum coefficient, MFCC);为更加全面表征转辙机声信号的特点,对MFCC进行改进得到多尺度MFCC特征;引入卷积神经网络(convolutional neural network, CNN)构建转辙机声信号识别模型,并采用五折交叉验证法获得两种特征的识别准确率。将S700K型转辙机在4种状态下运行时采集的真实声音信号进行训练和测试。结果表明：多尺度MFCC特征可使转辙机声音状态识别准确率至少提高7.5%。并且在低信噪比(signal-to-noise ratio, SNR)下,多尺度MFCC特征也有更好的表现,其准确率相较传统MFCC可提升35%。     

基于小波去噪的开关柜局部放电声检测方法

准确识别开关柜的局部放电有益于电网的安全运行.在利用声检测方法实现的开关柜局部放电在线监测中,周围噪声会降低局部放电信号的识别效果.针对噪声干扰问题,提出了一种基于小波去噪的开关柜局部放电声检测方法.对包含噪声的放电声音信号进行小波降噪,再进行特征提取,最后运用粒子群-支持向量机(PSO-SVM)分类器完成放电状态识别.在某电力公司的局部放电测试平台进行模拟仿真,试验结果显示,利用PSO-SVM对开关柜局部放电信号的识别效果要优于传统SVM方法,且经小波去噪改进后的分类准确率能够达到95%,比去噪前提高8%.     

结构损伤识别中部分相关噪声模型

详细地讨论了噪声的来源和产生的物理机制,分析了经典不相关噪声模型的物理意义和适用范围,将测试噪声分为与信号大小无关的测试系统基础噪声和与测试信号幅值和相位有关的环境噪声两部分,提出与结构试验实际环境符合的部分相关噪声模型.计算比较了部分相关噪声模型和传统噪声模型下仿真测试信号的信噪比和方差比,并比较了其对结构振型的识别精度和损伤识别定位的影响.结果表明,所提出的部分相关噪声模型较为符合工程测试实际,而传统噪声模型未能有效模拟系统和环境噪声.     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

基于遗传算法优化匹配追踪的自然环境声音分类

针对自然环境中各种背景噪声下的声音事件识别问题,提出一种基于遗传匹配追踪算法将自然环境音频信号稀疏表示进行分类的方法.首先,利用匹配追踪(MP)算法稀疏表示信号的主体结构,以消除噪声影响,其中利用采用精英策略的遗传算法(GA)优化MP的分解重构速度;接着,提取MFCCs作为音频信号的特征参数;最后,使用分类器支持向量机(SVM)和高斯混合模型(GMM)对4大类19种声音进行分类与比较,分类效果明显优于未进行稀疏表示的声音信号.实验表明,SVM模型分类效果优于GMM,提出的方法对实地采集的自然环境音频信号能有效识别.     

基于Mel频谱和LSTM-DCNN的矿山微震信号混合识别模型

微震监测是保证矿山安全生产的有效手段，微震信号识别精度直接影响着微震事件的判定及分析结果.鉴于此，以夏甸金矿微震监测数据作为样本，建立了基于Mel频谱和长短时记忆(long short-term memory, LSTM)神经网络与深度卷积神经网络(deep convolutional neural networks, DCNN)混合的矿山微震信号识别模型.首先对监测信号进行预处理，利用Mel时频谱降低干扰频段的权重并减小样本尺寸.然后利用LSTM和DCNN模型分别提取信号的时间特征及空间特征.通过多种模型的对比分析，结果表明本文提出的Mel-LSTM-DCNN混合模型对微震信号识别准确率最高.该模型为矿山准确识别微震信号提供参考.