大气低频声信号识别深度学习方法研究

发布时间：2022-12-25 17:32

　　针对全面禁核试低频声监测中需要对大气低频声信号进行有效识别的问题,对深度神经网络中的卷积神经网络进行了研究,提出了一种将低频声信号转换为图像,然后采用卷积神经网络进行识别,并对学习过程进行改进的方法。将该方法与基于人工设计特征的支持向量机方法进行了对比实验,实验结果表明,在训练数据集不大的情况下,通过改进学习过程的卷积神经网络可以挖掘出信号的潜在特征,具有和支持向量机同等的识别能力。 

【文章页数】：8 页

【参考文献】：
期刊论文
[1]深度学习的研究进展与发展[J]. 史加荣,马媛媛.  计算机工程与应用. 2018(10)
[2]生成式对抗网络研究进展[J]. 王万良,李卓蓉.  通信学报. 2018(02)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]深度学习:开启大数据时代的钥匙[J]. 余滨,李绍滋,徐素霞,纪荣嵘.  工程研究-跨学科视野中的工程. 2014(03)
[5]支持向量机理论及算法研究综述[J]. 汪海燕,黎建辉,杨风雷.  计算机应用研究. 2014(05)
[6]数字信号处理的时频分析方法综述[J]. 张丽娜.  信息技术. 2013(06)
[7]核爆次声背景噪声信号特征分析[J]. 青建华,程先友,庞新良.  核电子学与探测技术. 2013(05)
[8]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[9]大气中一种低频次声波观测研究[J]. 林琳,杨亦春.  声学学报. 2010(02)

博士论文
[1]基于深度神经网络的语音识别模型研究[D]. 张仕良.中国科学技术大学 2017



本文编号：3727051