排序方式: 共有46条查询结果,搜索用时 15 毫秒
21.
22.
23.
24.
25.
26.
为了提高扬声器异常声分类的平均准确率,提出用卷积神经网络加门控循环单元(convolutional neural network plus gated recurrent unit, CNN-GRU)和麻雀搜索算法优化变分模态分解(sparrow search algorithm optimization variational modal decomposition, SSA-VMD)模型进行扬声器异常声分类。在特征提取方面,用SSA-VMD模型,确定VMD中二次惩罚因子(α)和模态分解数(k)的最优取值问题,借此提高特征提取精度,减少提取时间,最后再利用VMD提取扬声器响应信号的特征;在分类网络方面,用CNN-GRU网络来进行扬声器异常声分类,以CNN为基础特征提取网络,再用GRU网络进行更深层特征提取,达到提高扬声器平均分类准确率的目标。试验结果表明,经SSA-VMD模型优化参数后,VMD可以更有效提取特征,且分解时间缩短59.8%;CNN-GRU模型具有更高和更稳定的识别率,其平均分类准确率为99.2%。 相似文献
27.
28.
针对在C++ Builder中生成白噪等扬声器功率实验所用测试信号的难度较大,以及MATLAB与C++ Builder混编过程中的兼容性问题,文章提出了一种MATLAB与C++混合编程的方法.首先,运用Matlab生成动态链接库DLL;其次,VS调用该DLL文件并编写接口函数以生成可供C++ Builder调用的DLL文件;最后,在C++Builder中设计应用程序以生成扬声器功率实验测试信号.为验证所生成信号的准确性,文章对信号的均值、方差、自相关性、频谱、功率谱密度、概率密度、三分之一倍频程的RTA等参量进行计算,通过将计算结果与标准信号进行对比分析,发现混合编程生成的信号可作为扬声器功率实验信号使用. 相似文献
29.
针对基于时频分析的扬声器异常声检测方法中短时傅里叶变换、小波包变换存在的不足,提出了一种基于变分模态分解-希尔伯特(Variational Mode Decomposition and Hilbert,VMD-Hilbert)变换的扬声器异常声检测方法。首先通过仿真信号分析,研究了VMD-Hilbert变换的时频特性,并与其他三种时频分析进行了对比,结果表明VMD-Hilbert变换具有更好的自适应性、能量聚焦性与时频分辨率。然后,对实测扬声器声响应信号进行VMD-Hilbert变换,求得被测扬声器单元的时频矩阵与标准时频矩阵之间的特征距离,并与其它三种时频分析下的特征距离进行对比。实验结果表明,VMD-Hilbert变换下的类间特征距离的离散度较大,便于更好地设定阈值,从而验证了VMD-Hilbert变换能更好地表征异常声的时频特征,以及其在处理非线性、非平稳的扬声器声响应信号时的优越性。 相似文献
30.
Chirp信号是一个典型的非平稳信号,在通信、声纳、雷达等领域具有广泛的应用,为了更好的显示其特性,文中首先介绍了各个算法的定义和公式,然后用各种时频分析方法对该信号以及该信号添加单频正弦噪声信号进行分析,比较各类方法的特点,通过分析和比较可知希尔伯特黄变换在处理该信号具有很好的聚集性以及对单频噪声也有很好的辨别能力.最后用MATLAB软件进行仿真得到结果. 相似文献