LSTM和GRU在城市声音分类中的应用

不同类型的声音对城市居民的身心健康质量影响不同,将城市声音精准的分类有利于对其进行有效的评价,从而促进对城市声音的管理。深度学习在语音识别方面已有所应用,其中循环神经网络(RNN)表现最为突出。由于基本RNN存在明显的梯度消失、网络损耗大、准确率低等问题,应用改进的RNN对城市背景噪声进行分类。采用长短期记忆神经网络(LSTM)和门控循环单元(GRU)神经网络,构建深度循环神经网络模型,通过城市记录的公共数据集UrbanSound8K对搭建的深度神经网络的准确性进行测试分析。模型基于梅尔频率倒谱系数的基准实现,得出的结果与基本RNN相比有明显的提升。

振动信号经验模态分析和固有频率检测

固有频率的锤击法检测在工程应用中十分重要。由于锤击法检测脉动信号的不可控制性而导致某固有频率分量非常微弱,甚至低于环境噪声。通过经验模态分解,把接受振动信号分解为多个本征信号,然后计算其固有频率,通过设置标准模态和改进的模式判决可以得到更多可信的信号特征,从而提取微弱的固有频率成份。试验表明,通过经验模态分解可以获得微弱的大型构件频率分量,并获得固有频率1.953 Hz。

基于STM8单片机的无线报警系统设计

基于STM8L151K4T6单片机设计一种多功能、低功耗报警系统,在具备传统烟雾报警功能的同时,增加有毒气体检测、实时温度测量以及火焰识别报警的功能,具备多信号处理能力。监测模块采集到的数据先进行A/D转换,再进行数据处理和算法分析,利用LoRa无线传输技术以及GPRS模块实现数据远距离传输。实验结果表明,独立式报警器待机电流仅为1～2μA的情况下,可以在很短的响应时间内对报警信号进行反馈,实时性高,监测精准度综合数据高达97.295%。