基于并联型神经网络的环境声音分类

针对传统单输入模型在环境声音分类中准确率不高的问题,提出一种基于时域特征和频域特征并联型特征融合神经网络。在该网络中,首先通过数据增强的方法来处理原始音频;其次处理后的原始音频数据和梅尔(Mel)频谱特征数据分别送入原始波形网络和Mel频谱网络,得到其时域和频谱特征后,进行特征融合;最后,将特征融合后的结果送入SoftMax分类器进行分类。本文在UrbanSound8K数据集上进行了实验验证,最终分类准确率高达96.03%,优于其他模型。

基于特征融合和MACLNN的通信信号自动调制识别

针对模拟、数字调制方式在简单网络下识别率不高的问题,提出了一种基于特征融合、自注意力机制、并联神经网络的调制识别算法——MACLNN。使用8个统计量特征参数组合和IQ数据分别作为卷积神经网络(Convolutional Neural Network,CNN)和卷积长短时神经网络的输入,由自注意力机制重新分配特征的权重,再通过并联层进行特征融合,最终完成11类调制方式的识别。仿真结果表明,在高信噪比下识别准确率可达到94.1%,使用复杂度较低的模型获得了高于同类算法的识别精度。