基于混沌优化的仓储害虫检测与分类识别研究

为了提高仓储害虫自动识别和检测技术,提出一种基于混沌优化算法(COA)和支持向量机(SVM)的仓储害虫检测与分类技术.利用声音传感器采集害虫声音信号,经过降噪和数值归一化处理,通过COA和SVM进行多次载波,寻求变量的最优特征值.模拟试验结果表明:该方法对复杂模式的识别能力较强,达到较高的识别率,而且大大缩短检测时间,提高检测效率,也为仓储害虫的快速检测和分类研究开辟了新的途径.     

仓储物害虫声音识别研究中的Madaline神经网降噪

提出了基于声音模式识别技术的仓储物害虫计算机自动分类的新方法 .在声音信号的预处理中采用Madaline(两层Adaline)神经网降噪方法 ,该方法以其自适应抵消器抵消环境噪声 ,较完整的保留仓虫声音信号 ,从而为仓虫声音特征的提取及分类打下了良好的基础     

仓储物害虫声音识别研究中的Madaline神经网降噪

提出了基于声音模式识别技术的仓储物害虫计算机自动分类的新方法。在声音信号的预处理中采用Madaline(两层Adaline)神经网降噪方法，该方法以其自适应抵消器抵消环境噪声，较完整的保留仓虫声音信号，从而为仓虫声音特征的提取及分类打下了良好的基础。     

黄粉虫成虫爬行和咬食活动声音采集分析研究

利用带有摄像装置的害虫声音采集平台,使用大震膜电容麦克风在隔音量约28 dB的隔音箱内对黄粉虫成虫的爬行和咬食活动的声音进行了提取,利用虚拟声卡万用仪对提取的声音文件进行了交流电压和频谱两方面的处理分析.测定结果表明:黄粉虫成虫咬食活动的声音脉冲信号的时间带有明显规律性,时间间隔约为0.6 s.爬行和咬食两种活动声音的交流电压有效值均值、变化范围都呈明显的倍数关系,爬行活动声音的交流电压有效值均值为0.0333V,高于咬食活动声音产生的电压有效值均值0.0136 V,表明无论黄粉虫成虫爬行还是咬食活动的声音频率都更趋向集中在低频段,咬食活动的声音频率的主峰值频率(70~93 Hz)低于爬行活动(140~180 Hz).因此,害虫活动具有多样性,相应产生的活动声音也具有其本身的特征和差别,利用本研究的声音检测方法,可以准确地检测这些害虫活动的特征声音,将为研究开发新型的储粮害虫声音检测技术提供有价值的参考数据.     

基于声音的储粮害虫检测系统设计

储粮害虫检测一直是昆虫学研究的一个热点,近年来随着信息技术和传感技术的进步,储粮害虫的研究取得了很大的进展.提出了一种基于声音的储粮害虫检测系统的设计.利用数字信号处理理论和技术,将声信号变成电讯号,除去噪声后提取出有用的信号特征,根据这些特征自动判别害虫的种类和数量.     

基于 LabVIEW 的声音信号采集分析系统开发

利用麦克和计算机声卡作为声音信号采集的硬件,在LabVIEW环境下开发了计算机音频采集分析系统.本系统能够采集各种工况环境的声音信号,并具有信号保存、调用、回放等功能,同时实现了对声音信号的各种数字分析,为声音振动研究和工况状态识别提供了有效的工具.     

基于相对熵阈值法的储粮害虫图像分割

介绍了储粮害虫智能检测系统的图像采集、图像增强、特征抽取及其识别分类,阐述了相对熵阈值分割算法,利用该法进行粮虫图像的在线分割,效果较好,通用性强.     

一种基于EEMD的异常声音识别方法

为了优化组合特征在异常声音识别中的效率,提出一种用集合经验模态分解（EEMD）对异常声音帧信号进行有效性检测和提取多层特征的算法.首先对异常声音帧信号进行集合经验模态分解,得到固有模态函数;然后根据给定的固有模态函数层数阈值,对该帧信号进行有效性检测;再对有效帧信号的每一层固有模态函数提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、线性预测倒谱系数、短时能量和能量比,并将它们归一化后拼接成多层特征.根据提取的特征,用深度卷积神经网络实现异常声音识别分类.仿真结果表明,提出的新方法在4类异常声音识别中的识别率可以达到98.65%.     

基于时域、频域脑电(EEG)特征情感分类研究

目前的情绪识别技术已经成功地将情绪变化与脑电信号联系起来,并在适当的刺激下从脑电信号中进行识别和分类.因为声音以及表情等信号具有一定的伪装性,而脑电信号(EEG)和情绪的变化密切相关,通过对EEG信号的分析可以更精确的反映人的情感变化.对EEG信号的研究集中于通过时域和频域的角度提取出特征信号,采用基于熵(entropy)的可分性判断进行特征选择,分别使用SVM和HMM-SVM模型两种分类方法进行情绪分类,然后对分类结果进行分析、比较.结果表明,利用HMM-SVM模型基于频域特征的分类结果最好,平均准确率为83.93％.     

基于声振联合特征熵的断路器故障诊断方法

针对断路器机械故障复杂、诊断困难的现状,提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取,故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量,对断路器的卡涩和螺丝松动故障进行了分类识别,并与传统的单一信号故障诊断方法进行了比较。结果表明:以声振联合特征熵矩阵作为输入的支持向量机,在分类的效果上明显优于单信号,更适合在断路器故障识别中应用。