基于欠定盲源分离理论与深度学习的声音样本集获取与分类方法
发布时间：2021-11-29 04:34
针对现有盲源分离算法在单一传感器条件下分类精度不足的问题,首先提出了一种K-DPC聚类新型欠定盲源分离算法,得到了混合噪声信号中的各声源信号分量,构建了独立声源信号库;借助k-UBSS算法中的混合估计矩阵,提出了一种利用独立声源信号库获得大量混合时频谱图的方法,最后分别通过VGGNet-16和Res Net-50模型进行训练,实现了混合声音信号的分类。对比测试结果表明:k-UBSS算法的偏角差均小于2,归一化均方误差达-38. 372,较现有K-means和DPC算法的精度有很高提升,VGGNet-16和Res Net-50分类准确率分别可达到93. 75%和99. 2%。仿真结果验证了K-UBSS算法的准确性,以及混合时频谱图获取方法的可行性,实现了单一传感器下源声音信号的快速分类。采用该算法能有效解决深度学习时样本不足的问题,并对噪声采集和治理具有重要意义。
【文章来源】：华北电力大学学报(自然科学版). 2020,47(04)北大核心
【文章页数】：9 页
【部分图文】：
五类音频源信号的时域波形
由图5为经归一化后x"(t)和x″(t)的时频散点图可以看出，通过归一化后的观测信号均形成了4类明显的密集数据簇。由此可知，本文所提的归一化方法有利于K-DPC时的聚类。如图6所示，x"(t)和x″(t)的相关决策图中均具有4个明显的聚类中心，一方面说明了采用K-DPC算法时，可自动获取聚类中心，另一方面也说明了K-DPC算法比其他设置密度阈值的聚类算法更加简便。最后获得混合估计矩阵
将本文所提算法与常用的聚类算法进行比较，包括K-means算法[23]和DPC[24]算法。因为K-means算法需要提前设定聚类中心的个数，为了便于对比，设定k=4,DPC算法中的截断距离dc=0.04。分别得到图4 两组观测信号单源点检测后时频域散点图
【参考文献】：
期刊论文
[1]基于迁移学习深度卷积神经网络的配电网故障区域定位[J]. 孟子超,杜文娟,王海风. 南方电网技术. 2019(07)
[2]基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法[J]. 张重远,岳浩天,王博闻,刘云鹏,罗世豪. 电网技术. 2019(06)
[3]欠定盲源分离算法的研究现状及展望[J]. 王川川,曾勇虎. 北京邮电大学学报. 2018(06)
[4]基于NSTFT-WVD变换的VFTO频谱分析方法[J]. 刘世明,李帅,谈翀,臧英,张舜钦,程军卫,王传勇. 华北电力大学学报(自然科学版). 2018(05)
[5]基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法[J]. 王翔,黄知涛,任啸天,周一宇. 国防科技大学学报. 2013(02)
[6]基于多层非负矩阵分解的工频干扰消除[J]. 贾崟,武俊义. 电力科学与工程. 2009(04)
[7]Estimation of underdetermined mixing matrix based on support vector machine[J]. Yang Zuyuan and Xie Shengli(School of Electrics & Information Engineering, South China University of Technology, Guangzhou 510641, China). Progress in Natural Science. 2007(11)
本文编号：3525852
【文章来源】：华北电力大学学报(自然科学版). 2020,47(04)北大核心
【文章页数】：9 页
【部分图文】：
五类音频源信号的时域波形
由图5为经归一化后x"(t)和x″(t)的时频散点图可以看出，通过归一化后的观测信号均形成了4类明显的密集数据簇。由此可知，本文所提的归一化方法有利于K-DPC时的聚类。如图6所示，x"(t)和x″(t)的相关决策图中均具有4个明显的聚类中心，一方面说明了采用K-DPC算法时，可自动获取聚类中心，另一方面也说明了K-DPC算法比其他设置密度阈值的聚类算法更加简便。最后获得混合估计矩阵
将本文所提算法与常用的聚类算法进行比较，包括K-means算法[23]和DPC[24]算法。因为K-means算法需要提前设定聚类中心的个数，为了便于对比，设定k=4,DPC算法中的截断距离dc=0.04。分别得到图4 两组观测信号单源点检测后时频域散点图
【参考文献】：
期刊论文
[1]基于迁移学习深度卷积神经网络的配电网故障区域定位[J]. 孟子超,杜文娟,王海风. 南方电网技术. 2019(07)
[2]基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法[J]. 张重远,岳浩天,王博闻,刘云鹏,罗世豪. 电网技术. 2019(06)
[3]欠定盲源分离算法的研究现状及展望[J]. 王川川,曾勇虎. 北京邮电大学学报. 2018(06)
[4]基于NSTFT-WVD变换的VFTO频谱分析方法[J]. 刘世明,李帅,谈翀,臧英,张舜钦,程军卫,王传勇. 华北电力大学学报(自然科学版). 2018(05)
[5]基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法[J]. 王翔,黄知涛,任啸天,周一宇. 国防科技大学学报. 2013(02)
[6]基于多层非负矩阵分解的工频干扰消除[J]. 贾崟,武俊义. 电力科学与工程. 2009(04)
[7]Estimation of underdetermined mixing matrix based on support vector machine[J]. Yang Zuyuan and Xie Shengli(School of Electrics & Information Engineering, South China University of Technology, Guangzhou 510641, China). Progress in Natural Science. 2007(11)
本文编号：3525852
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3525852.html
