基于声纹压缩和代价敏感的变压器状态检测评估方法

声纹检测技术可以助力巡检人员对变压器状态进行检测和评估。文中提出一种基于声纹压缩和代价敏感的变压器状态检测和评估方法。该方法首先提取变压器音频的声纹特征,然后在频率维度上对声纹特征进行筛选和压缩,最后使用卷积神经网络评估变压器状态,并引入代价敏感损失函数以提高对难检出样本的关注度。以某35 kV变压器为研究对象,通过收集现场音频、模拟实验和样本扩充得到变压器音频数据集。测试结果表明,文中所提方法将声纹维度从1 025维降低到80维,计算量和显存分别降低到1 025维的8.1%和7.7%。同时,所提方法的声纹识别准确率高达83.5%,并将最难检出的短路电流异常状态的召回率从48.2%提升至63.6%。

基于Conv-TasNet的变压器音频降噪识别网络

为降低环境噪声对变压器声纹识别的影响,提出了基于卷积时域音频分离网络的变压器音频降噪识别网络。首先使用卷积时域音频分离网络去除环境噪声,然后使用卷积神经网络实现声纹识别。通过故障模拟试验得到变压器音频数据集,并与其他降噪方法对比降噪效果。试验结果表明,所提方法将数据集音频尺度不变的信噪比提高了9.84 dB,识别准确率提高了25.85%,均优于其他降噪方法。在现场应用中,提出的降噪识别网络将误报率降低至1.2%,并成功实现了变压器故障检测。

基于FISVDD与GRU的变压器声纹识别技术

为了降低声纹识别算法在低信噪比环境下的误报率,提出了一种基于快速增量式支持向量数据描述(fast incremental support vector data description,FISVDD)以及门控循环单元(gate recurrent unit,GRU)的变压器机械故障声纹识别方法。以变压器为实验对象,分别获取变压器在正常工况、铁芯松动、线圈松动3种状态下的声音信号,并使用Mel频率倒谱系数进行特征提取。FISVDD作为第1级算法分离陌生类,同时通过增量学习的方式学习新样本。GRU作为第2级分类算法,对通过第1级算法的样本进行识别。实验结果表明:与传统闭集识别算法相比,FISVDD需要的训练时间更少;相较于传统的机器学习算法,GRU在变压器音频识别任务中具有更高的识别准确率和抗噪识别能力;所提方法相较于1级算法更加有效,在识别信噪比高于10 dB的样本时召回率下降不超过1%,在识别信噪比不超过0 dB的样本时误报率不超过10%。

人脸识别在移动设备支付系统中的应用

随着科学技术的进步,人们的消费习惯和支付方式都发生了巨大的改变,用手机这一移动设备进行在线支付,已然成为我们日常消费中的一大主要组成部分。本文以人脸识别技术在手机支付系统中的应用为例,分析人脸识别技术的原理和工作过程,以及对该技术进行展望,加深对人脸识别技术的理解。