一种铁路隧道衬砌掉块声音检测方法

针对传统铁路隧道衬砌掉块检测方法耗时长、成本高的问题,在声信号识别技术的基础上,提出了基于遗传算法优化支持向量机(GA-SVM)模型的铁路隧道衬砌掉块声音检测方法。通过提取铁路隧道内衬砌掉块与其他事件声音的梅尔频率倒谱系数(MFCC)特征系数矩阵,利用遗传算法的寻优能力对支持向量机中影响预测模型精度的两个参数C和σ进行优化,构建铁路隧道衬砌掉块检测模型。实验结果表明,在少量训练样本的基础上,GA-SVM模型对比传统的SVM模型和粒子群算法(PSO)优化的SVM模型,能更够准确地检测出衬砌掉块的大小,检测精度达到了96.67%,验证了声信号识别技术应用于铁路隧道衬砌掉块检测的可行性。     

改进阈值函数的小波去噪算法

针对小波软、硬阈值函数去噪后信号存在局部震荡和边缘模糊导致去噪效果不佳的问题,研究了小波去噪原理和优化阈值函数的规则,设计了一种具有连续性、灵活性和恒定偏差小的可调阈值函数,提出了一种基于改进阈值函数的小波去噪算法,将其应用于含有高斯白噪声的信号中进行去噪。实验表明,相较于传统方法,所提方法对仿真信号和心电信号都具有灵活性和适用性,并且去噪后信号的信噪比提升了16.21%,皮尔逊相关系数增大了1.62%。因此,本文所提算法具有可行性,可有效保留特征信息,去噪效果更加理想。     

基于被动音频的低小慢目标探测方法

为了提高无人机的探测识别率,对无人机飞行声音进行时频域分析,针对无人机声音特性,将梅尔倒谱系数(MFCC)与翻转梅尔倒谱系数(IMFCC)组合来更好地表征无人机声音信号,新的特征参数通过Fisher准则进行特征降维,构建无人机"声纹库",通过灰狼优化算法(GWO)对支持向量机(SVM)中的参数进行优化,建立无人机音频分类模型.实验结果表明,新特征参数可弥补单一特征在整个声音频域分辨率低的缺陷,GWO-SVM音频分类模型可实现在50 m距离内无人机探测,识别率达到92.9％,较传统检测方法有显著优势.