基于特征选择和GWO-KELM的鸟声识别算法

针对鸟声识别算法中提取特征单一、分类准确率低等问题,提出一种基于混合特征选择和灰狼算法优化核极限学习机的鸟声识别方法。首先从鸟声数据中提取大规模声学特征集ComParE,其次计算每个特征的F_score并进行排序,然后以广义顺序向前浮动搜索(Generalized Sequential Forward Floating Search, GSFFS)为搜索策略,特征子集在核极限学习机(Kernel Limit Learning Machine, KELM)上十折交叉验证的正确率,作为特征选择标准进行特征选择,得到适用于鸟声识别的特征子集,最后通过灰狼算法(Grey Wolf Optimizer, GWO)选择最优KELM参数识别鸟声。在柏林自然科学博物馆鸟声数据库中进行实验,该方法在60类鸟声识别平均正确率和F1-score达到94.45%和92.29%。结果表明,该方法相较于传统自行设计提取的单一特征集具有更高的识别精度,GWO-KELM模型比网格搜索方式更易找到全局最优值。     

基于优化变分模态分解的海杂波去噪方法

文章分析了确定变分模态分解(VMD)参数存在的问题,提出了一种基于优化变分模态分解的海杂波去噪方法。利用鲸鱼优化算法(WOA)对模态个数K和惩罚参数α进行寻优,对海杂波原信号自适应分解,去除方差贡献率(VCR)较低模态分量,结合模糊熵筛选出噪声占主导的模态分量,将其进行Savitzky-Golay(SG)滤波处理。对滤波后的分量和有用分量叠加重构去噪后的信号,通过最小二乘支持向量机(LSSVM)对海杂波信号进行预测并验证去噪效果。仿真结果表明,本文所提算法能够有效抑制噪声干扰,去噪后的均方根误差(RMSE)为0.000 29,比去噪前的均方根误差0.012 3降低了两个数量级。     

高密度电法与地震折射波法在宁波地铁工程勘察中的应用

为保障宁波市地铁4号线东延段的施工安全，需要对穿越区域的地层状况及可能存在的断裂带等进行精准探查。该工程采用高密度电法、浅层地震折射波法进行综合探测，查明了探测区域内的第四系分布、下伏基岩面起伏及断层分布。与单一探测方法相比，综合探测方法能够进行相互验证与综合分析，提高了解释结果的可靠性，为地铁线路的设计及施工提供了技术支撑。