排序方式: 共有50条查询结果,搜索用时 456 毫秒
21.
本文应用波动理论分析机床某些低频杂音产生的机理,认为机床低频杂音的重要来源之一,是机床传动系统中齿轮啮合频率与某边频在幅值接近时形成的拍现象的声音响应。从拍运动方程可知,拍信号可用频谱分析方法来识別。由此本文提出识别机床杂音的方法。 相似文献
22.
当薄互层较发育时,利用地震资料对储层的含油气性进行预测存在较大的困难。因此,发展高精度的时频分析方法并将其应用于储层内的烃类检测具有重要意义。提出了基于反褶积广义S变换的新时频分析方法;该方法将信号的广义S变换谱与窗函数Wigner-Ville分布进行二维反褶积,可得到信号Wigner-Ville分布。通过数值模拟结果可知,该方法与传统的时频分析方法相比,不仅克服了传统时频方法采用固定时窗分析信号的局限,并且具有更高的时频分辨率。三维实际资料处理结果表明,相对于传统时频方法,该方法适用于非平稳的地震信号分析;在薄储层预测方面更具优势,进行烃类检测的可靠性也较高。 相似文献
23.
针对采用梅尔频率倒谱系数(mel-frequency cepstrum coefficient,MFCC)作为身份认证向量(identity vector,i-vector)进行说话人识别存在语音信息不全的问题,提出一种基于语谱特征的身份认证向量识别说话人的方法。语音信号经过预加重、分帧加窗预处理之后,通过短时傅立叶变换转换成语谱图,语谱图被提交到高斯通用背景模型,在高维均值超向量空间中选择合适的低维线性子空间流型结构以构造符合正态分布的向量作为身份认证向量。这些获取的身份认证向量经过线性判别性分析实现降维并存储。最后采用对数似然比(log-likelihood ratio,LLR)方法对训练和测试阶段的i-vector进行评分,完成说话人识别。以TIMIT数据库为标准的数值实验结果表明,相比采用MFCC作为特征的识别方法,研究的等错误率(equal error rate,EER)更低。 相似文献
24.
元坝地区长兴组台地边缘礁滩相储层油气资源潜力巨大,礁后滩储层厚度薄,气水识别是该区的勘探难点之一。低频伴影是进行流体识别的有效方法,但对薄储层进行流体识别难度巨大。为此,本文引入了反褶积短时傅立叶变换。相较于传统时频分析方法有更高的时间分辨率和频率分辨率。由于该方法利用了信号短时傅里叶变换,在理论模型和实际数据分析中我们发现同一地震剖面取不同时窗时其“低频阴影”油气检测结果存在很大差异。为此,我们通过建立模型以及实际地震数据实验,得到了最佳时间和频率分辨率的地震主频与时窗组合关系式。在此基础上可进行高分辨的低频伴影分析。实例应用表明该方法效果明显。 相似文献
25.
提出包括对比平均法和相对比较法的模糊模式识别方法——二元对比排序法,并将对比平均法用于根据~(13)C-NMR 谱和 MS 谱鉴别未知化合物的结构,取得令人满意的结果. 相似文献
26.
基于视觉的人体动作识别方法对光线和视距环境较高,并且存在侵犯隐私的问题,在应用中有局限性。为了解决这个问题,提出一种基于毫米波雷达和字典学习的人体动作识别方法。首先对人体动作的雷达回波信号进行时频分析得到时频图,再使用两种特征提取方法对时频图进行降维描述,将两种降维后的数据融合,通过LC-KSVD字典学习算法同时学习多特征字典和一个线性分类器,最后根据稀疏系数和线性分类器来识别动作。在此基础上,设计77 GHz毫米波雷达动作识别实验系统,结果表明:算法在10种人体动作数据集上达到了97.7%的识别准确率,可见所提方法实现了对人体动作的准确识别。 相似文献
27.
卷积神经网络模型作为音频特征提取器具有较好的应用效果,但该类模型的训练过程对数据量要求比较高。针对这一问题,本文提出一种基于双重数据增强策略的音频分类方法。首先采用传统音频数据增强方法(旋转、调音、变调、加噪),并将增强后的数据转化为语谱图,再采用随机均值替换法进行谱图增强。在此基础上训练Inception_Resnet_V2神经网络模型作为音频特征提取器,最后训练随机森林模型作为分类器完成音频分类任务。实验结果表明,与已有方法相比,采用双重数据增强策略可明显提升音频分类精度,并且训练出的特征提取模型具有较强的泛化能力。 相似文献
28.
根据语音信号的“可视”特点,提出了一种基于简化脉冲耦合神经网络(PCNN)实现孤立词语音识别的方法。将语谱图输入到PCNN中得到相应的时间序列标识,作为语音信号的特征参数,然后通过模板匹配法和概率神经网络(PNN)相结合的方法实现语音分类识别。仿真结果表明,该方法能够达到较高的语音识别率。 相似文献
29.
通过研究谱图的性质提出了一种抑制WVD交叉项的新方法,并针对多分量线性调频信号进行了计算机仿真,仿真结果证明了该方法在抑制WVD交叉项并保持高分辨率方面的有效性. 相似文献
30.
在复杂环境声场景识别任务中, 梅尔频谱作为输入的深度卷积神经网络有良好的识别能力, 然而梅尔滤波器组依据人耳生理特征设计, 对于声场景识别并非最优滤波器组。针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程, 通过训练该网络使声谱图自动适应声场景数据集。声谱图提取神经网络连接ResNet50作为声场景识别架构, 在DCASE2019声场景数据集上进行训练与测试, 实验结果表明该架构比传统模型有更高的识别率, 能够有效调整频率曲线、滤波器幅值以及滤波器形状。 相似文献