基于频谱增强和卷积宽度学习的音乐流派分类

针对频谱图对于音乐特征挖掘较弱、深度学习分类模型复杂且训练时间长的问题,设计了一种基于频谱增强和卷积宽度学习(CNNBLS)的音乐流派分类模型.该模型首先通过SpecAugment中随机屏蔽部分频率信道的方法增强梅尔频谱图,再将切割后的梅尔频谱图作为CNNBLS的输入,同时将指数线性单元函数(ELU)融合进CNNBLS的卷积层,以增强其分类精度.相较于其他机器学习网络框架, CNNBLS能用少量的训练时间获得较高的分类精度.此外, CNNBLS可以对增量数据进行快速学习.实验结果表明:无增量模型CNNBLS在训练400首音乐数据可获得90.06%的分类准确率,增量模型Incremental-CNNBLS在增加400首训练数据后可达91.53%的分类准确率.     

智能家居语音控制系统的设计

针对传统智能家居系统在智能终端控制中存在智能化和人性化水平低的问题,提出设计一个基于语音识别的智能家居控制系统。该系统主要由智能终端、主控中心和控制节点组成。对主控中心和控制节点的软硬件方案进行设计后,即可采用系统中的图像采集模块采集家居数据;然后通过改进信号子空间与维纳滤波的两级降噪方法进行语音信号增强;之后选用24维梅尔倒谱系数对语音特征进行提取;最后采用隐马尔可夫模型HMM算法进行模板训练和模式匹配,最终实现智能家居语音自动控制。实验结果表明,在800个测试样本中,共有789个样本被正确识别,平均识别率为98.6%。且在5种不同的信噪比下,语音识别率均保持在94%及以上,最高可达97.4%。由此说明本系统具备较好的抗噪能力,提出的语音识别算法对满足系统语音自动化和智能化需求,在实际产品应用中具有重要意义。     

计量器具生产企业名录

<正>~~     

XSense：柔性触摸传感器

爱特梅尔公司推出革新性基于薄膜的高度柔性触摸传感器XSense。     

爱特梅尔发布带曲面触摸屏的汽车中控台概念

<正>爱特梅尔(Atmel)公司在"2014 International CES"上展示了汽车中控台"Atmel AvantCar"的概念。目标是使用该公司的触摸屏和触摸按键技术以及半导体产品,实现设计自由度较高的中控台。AvantCar采用的主要产品和技术如下。首先是利用金属网格的曲面式触摸屏传感器     

2014年电子产品世界编辑推荐奖隆重颁奖

2014年度电子产品世界编辑推荐奖的颁奖典礼已于12月12日在北京隆重举行,来自29家企业的参选产品、技术及代表性企业分享了本届编辑推荐奖。此评选从2014年6月开始征集,10月中旬评选出结果,共得到70余家领先企业的热情参与和支持,累计有效网络投票2100多票,网络投票奖牌由TE Connectivity公司赞助。     

一种应用于光缆外破在线监控的模式识别方案

电力通信网络线路常因沿途的工程机械施工,人为外力破坏等行为造成毫无预警的危害和损坏。为了实现对线路外破隐患高效预警,需要在现有预警定位的基础上,加上对碰撞敲击、管孔侵入、机械施工和开盖报警等行为的识别。将分布式光纤传感技术、梅尔频率倒谱系数和径向基神经网络相结合,提出一种可应用于光缆外破在线监控的模式识别方案。测试的总体识别率达97.78%,现场模拟的事件报警准确率高。该方案可广泛应用于长距离管线检测领域。     

无声语音识别中的端点检测算法

无声语音识别常以表面肌电信号作为研究对象。表面肌电信号的端点检测是影响识别结果的一个重要因素。表面肌电信号与语音信号有类似之处。借助语音端点检测的方法对表面肌电信号进行分割是一种可行的思路。基于此,采用子带谱熵和梅尔倒谱距离作为信号端点检测的判决依据,通过粒子群算法优化支持向量机分类器给出端点检测结果。结果表明,在不同信噪比条件下,该算法有最高的检出率与最低的错误率。对于基于K最近邻（K-Nearest Neighbor,KNN）的无声语音识别任务,识别率达95.3%。     

基于声音信号的GMAW焊接状态监测方法研究

针对焊接过程中因保护气体和外部气流干扰等情况所产生的异常焊接状态,提出了一种基于电弧声音信号特征结合长短期记忆（LSTM）神经网络的监测方法,基于梅尔频谱（Mel-spectrogram）下的电弧声音特征对焊接过程进行分析。采用高速脉冲全位置熔化极气体保护焊（GMAW）下行焊焊接技术,搭建了短弧高速脉冲X80管线钢GMAW实验平台,记录了全工况条件下的电弧声数据。根据电弧声音信号特点,采用daubechies小波作为小波基函数,利用启发式阈值对电弧声信号进行分解和重构,有效提高了电弧声音信号的信噪比。通过正常和异常焊接状态下声音信号的梅尔频谱特征训练LSTM神经网络,建立了电弧声音信号的预测模型来检测异常焊接状态,该方法的灵敏度可以达到94.57%。