基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向。一个有效的特征提取和分类决策方法对水声信号分类技术至关重要。文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器。研究结果表明：三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到（98±1）%的总体准确率。因此,小波包时频图特征结合卷积神经网络的水声分类方法可望推广至更多水声信号分类。该研究结果可为水声信号的分类识别研究提供应用参考。     

三种鱼类发声信号频带能量特征提取与分类研究

海洋渔业资源的开发和利用对经济鱼类的分类识别提出了迫切的技术需求。根据鱼类的不同发声特征,文章采用有监督机器学习方法实现了三个不同鱼种发声信号的分类。基于小波包分解技术提取了黄花鱼、大米鱼和黄姑鱼三种鱼类发声信号的频带能量特征,并利用不同的分类器进行分类。结果表明：三种鱼的发声信号频率主要集中在300～800 Hz之间,基于小波包分解的频带能量特征可实现3种鱼的有效分类。其中,线性判别分类器和随机子空间判别分类器的分类效果较好。该方法可为海洋渔业资源的开发和利用提供服务。     

小波分析在语音信号处理中的应用

信号分析是当前信工程信息处理中的重要环节,在早期主要依托傅里叶变换进行处理.然而,傅里叶变换只能进行频域分析,导致信号分析不全面.基于此,小波变换引入了时域窗,使得信号分析变得更加有效.语音信号相比一般通信信号其具有高复杂性,局部稀疏性等局部性的特征较多,这一点和小波处理的特点相融合,因此将小波分析应用于语音信号处理中有着非常现实的意义.鉴于此,文章立足于小波分析,对语音信号处理中的几个具体场景进行简要的综述.