基于Mel声谱图与改进SEResNet的鱼类行为识别

养殖环境中饲料投放、水流变化等刺激源导致鱼类声音分辨难,使行为识别准确率不高,为解决上述问题,提出基于Mel声谱图(Mel spectrogram)与改进SEResNet的鱼类行为识别模型TAP-SEResNet。首先针对鱼类行为声音频率波动大、特征差异小,造成特征提取难的问题,采用高分辨率、特征表示较好的Mel声谱图以捕捉鱼类声音的频谱特征。其次针对鱼类声音特征关键信息易丢失的难题,提出在SEResNet模型中融合时序聚合池化层(Temporal Aggregated Pooling,TAP),提取池化区域的最大值和平均值,保留鱼类行为更多细粒度声音特征,提高识别准确率。为验证所提模型的有效性,分别设计了消融试验和模型性能对比试验,试验结果显示:TAP-SEResNet相比SEResNet在不降低检测速度的条件下准确率提升了3.23%;相比PANNS-CNN14、ECAPA-TDNN及MFCC+ResNet等先进声音识别模型,TAP-SEResNet在准确率上分别提升了5.32%、2.80%和1.64%。所提模型有助于养殖过程中对鱼类行为实现精准监测,对精准养殖具有重要的推动作用。

基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273%提升至99.500%,提升了1.227个百分点。

基于Mel频谱特征的水声信号分类研究

为解决传统的时域、频域特征不足以完全表征水声信号非线性、非高斯的问题,文章以海洋环境下采集的水声信号为对象,选用Mel频谱特征作为水声信号特征,提取了四类水声信号的Mel频谱特征制作数据集,分别用SVM分类器、BP神经网络分类器以及VGG16卷积神经网络分类器进行训练与分类测试,以验证水声信号识别能力。结果表明,三种分类器模型对四类水声信号的平均分类精度均可达89%以上,证明Mel频谱特征能够有效表达水声信号特征的能力。而BP神经网络分类器可获得优于SVM的分类精度,卷积神经网络的分类精度则高出BP神经网络6.0%,其平均分类准确率为97.5%,因此,基于VGG16卷积神经网络构建的分类器具有更好的识别能力。

High-sensitive state perception method for inverter-fed machine turn insulation based on FrFT-Mel

Amidst the swift advancement of new power systems and electric vehicles,inverter-fed machines have progressively materialized as a pivotal apparatus for efficient energy conversion.Stator winding turn insulation failure is the root cause of inverter-fed machine breakdown.The online monitoring of turn insulation health can detect potential safety risks promptly,but faces the challenge of weak characteristics of turn insulation degradation.This study proposes an innovative method to evaluate the turn insulation state of inverter-fed machines by utilizing the fractional Fourier transform with a Mel filter(FrFT-Mel).First,the sensitivity of the high-frequency(HF)switching oscillation current to variations in turn insulation was analyzed within the fractional domain.Subsequently,an improved Mel filter is introduced,and its structure and parameters are specifically designed based on the features intrinsic to the common-mode impedance resonance point of the electrical machine.Finally,an evaluation index was proposed for the turn insulation state of inverter-fed machines.Experimental results on a 3kW permanent magnet synchronous machine(PMSM)demonstrate that the proposed FrFT-Mel method significantly enhances the sensitivity of turn insulation state perception by approximately five times,compared to the traditional Fourier transform method.

基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型

针对工业数据采集困难和稀疏数据特征提取能力有限等问题,提出一种基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型。为了增加训练样本数据的多样性,引入了Mel光谱数据增强技术,提高模型的泛化能力,使其能够更好地适应各种滚动轴承故障情况。通过ResNet网络残差单元的堆叠深度捕捉复杂的故障特征信息,进而有效识别滚动轴承的故障模式。最后,对实验现场采集的滚动轴承故障数据进行验证评估。结果表明:所提模型在增强数据集上的诊断准确率高达99.83%,比原始数据集准确率提高了1.39%;与其他方法相比,该模型在准确性和鲁棒性方面都取得了显著改进,能更准确地识别滚动轴承的不同故障类型。

基于Mel频谱和LSTM-DCNN的矿山微震信号混合识别模型

微震监测是保证矿山安全生产的有效手段,微震信号识别精度直接影响着微震事件的判定及分析结果.鉴于此,以夏甸金矿微震监测数据作为样本,建立了基于Mel频谱和长短时记忆(long short-term memory,LSTM)神经网络与深度卷积神经网络(deep convolutional neural networks,DCNN)混合的矿山微震信号识别模型.首先对监测信号进行预处理,利用Mel时频谱降低干扰频段的权重并减小样本尺寸.然后利用LSTM和DCNN模型分别提取信号的时间特征及空间特征.通过多种模型的对比分析,结果表明本文提出的Mel-LSTM-DCNN混合模型对微震信号识别准确率最高.该模型为矿山准确识别微震信号提供参考.

基于Mel频谱值和深度学习网络的鸟声识别算法

为了增强网络对鸟鸣声信号的特征学习能力并提高识别精度,提出一种基于深度残差收缩网络和扩张卷积的鸟声识别方法。首先,提取鸟鸣声信号的对数Mel特征及其一阶和二阶差分系数组成log-Mel特征集,作为网络模型的输入;其次,通过深度残差收缩网络自动学习噪声阈值,减少噪声干扰;然后,引入扩张卷积增大卷积核感受野并利用注意力机制使网络聚焦于关键帧特征;最后,通过双向长短时记忆网络从学到的局部特征中学习长期依赖关系。以北京百鸟数据库中的19种中国常见鸟类作为实验对象,识别正确率可以达到96.58%,并对比模型在不同信噪比数据下的识别结果,结果表明该模型在噪声环境下的识别效果优于现有模型。

褪黑素受体Mel 1a在皖西白鹅各组织中的表达与分布

【目的】探究褪黑素受体Mel 1a在皖西白鹅各组织中的分布特点和表达水平,为褪黑素在皖西白鹅的功能调控奠定理论基础。【方法】以皖西白鹅作为研究对象,提取各组织器官的总RNA,采用Real-time PCR和Western blot检测褪黑素受体Mel 1a mRNA和蛋白在鹅组织中的分布和差异性表达,免疫组化检测褪黑素受体Mel 1a蛋白在鹅的组织中的表达。【结果】在心脏、肝脏、脾脏、肺脏、肾脏、胰脏、大脑、小脑、肌肉、卵巢各组织中均存在Mel 1a mRNA表达;Mel 1a蛋白广泛分布于大脑、心脏、肾脏、肝脏、肺脏、脾脏、胰脏和肌肉组织细胞中,利用Image-pro plus 6软件分析免疫组化阳性信号的IOD值显示,脾脏阳性信号最强,其次是胰腺。脾脏显著强于大脑,肺脏中的信号显著强于心脏和肌肉组织。采用Real time PCR和Western blot技术检测各组织中Mel 1a mRNA和蛋白表达水平,结果表明,卵巢中表达水平最高,其次是胰腺、脾脏、肾脏、肝脏、心脏和脑组织中,肺脏和肌肉中的表达水平最低,另外在各级卵泡中Mel 1a mRNA的表达水平随卵泡发育逐渐增加,直到卵泡发育到直径超过3 cm后,其表达量下降。【结论】皖西白鹅各组织中均存在褪黑素受体,其中在卵巢中表达最高,褪黑素可通过受体介导调控皖西白鹅多种生物功能,尤其是对皖西白鹅卵泡发育的调控。

Mel频率倒谱系数平滑的耳机均衡

适当均衡耳机到鼓膜的传递函数可有效提高耳机声重放效果。耳廓与耳道滤波效应引起的幅度峰谷有助于人耳听觉感知,以平直幅频响应为目标的幅度均衡无法保持适当的峰谷。该文提出了基于roex滤波器与Mel频率倒谱系数的耳机到鼓膜的传递函数平滑方法,用于模拟人耳听觉感知特性和平滑耳机到鼓膜的传递函数,使均衡后的幅频响应保持相应的峰谷,避免了幅度峰谷过渡均衡。实验结果表明,进行耳机到鼓膜的传递函数平滑的幅度均衡对提高耳机的音色有显著作用,基于Mel频率倒谱系数平滑的幅度均衡对提高耳机的音色最为显著。

褪黑素受体Mel1b在皖西白鹅不同组织中的分布与表达

褪黑素是动物体内一种重要的神经激素,其通过与褪黑素受体结合发挥多种生物学作用。旨在探究褪黑素受体Mel1b在皖西白鹅不同组织中的分布特点与表达水平。采集皖西白鹅的心脏、肝脏、脾脏、肺脏、肾脏、大脑、小脑、胰腺、胸肌、卵巢和分级卵泡,利用免疫组化和Real-time PCR技术检测各组织中Mel1b的分布特点及表达水平。结果表明:Mel1b在皖西白鹅的心、肝、脾、肺、肾、脑、胰腺、胸肌、卵巢及分级卵泡中广泛分布,且各组织间Mel1b基因和蛋白表达水平存在一定差异,卵巢中表达量最高,且随卵泡发育分级卵泡内表达量逐渐增加,其次是胰腺、脾、肾、肺,在脑、心、肝和胸肌中的表达量最少。可见,皖西白鹅各组织中均存在褪黑素受体Mel1b,且各组织间的表达量不同,结果为进一步探究褪黑素及其受体参与调控皖西白鹅机体内广泛的生物学作用奠定了理论基础。

Mel频率下基于LPC的语音信号深度特征提取算法

针对传统语音信号二次特征提取方法在保证识别率的前提下,实时性较差的问题,提出一种Mel频率下基于线性预测系数(linear predictive coefficient,LPC)的改进的语音信号深度特征提取算法。该方法根据人耳的听觉特性把LPC在Mel频率下进行非线性变换,再进行微分、高阶微分和按比例重组等步骤,得到一种既考虑声道激励又兼顾人耳听觉的新特征参数,从而大大减少传统语音信号深度特征提取的计算量,在不影响识别效率的情况下,极大提高系统的实时性。最后,将该算法在智能轮椅平台进行有效性验证,大量实验表明,语音控制系统实时性差的问题在使用该算法后能够得到明显改善,该算法既保证了特征提取识别率,也有效地改善了系统的实时性。在一定程度上使语音控制智能轮椅更具实用性。

一种适用于说话人识别的改进Mel滤波器

Mel倒谱系数(MFCC)侧重提取语音信号的低频信息,对语音信号的频谱分布特性描述不充分,不能有效区分说话人个性信息。为此,通过分析语音信号各频段所含说话人个性信息的不同,结合Mel滤波器和反Mel滤波器在高低频段的不同特性,提出一种适于说话人识别的改进Mel滤波器。实验结果表明,改进Mel滤波器提取的新特征能够获得比传统Mel倒谱系数以及反Mel倒谱系数(IMFCC)更好的识别效果,并且基本不增加说话人识别系统训练和识别的时间开销。

褪黑素受体亚型Mel1a和Mel1b在大鼠中枢神经系统的分布差异——原位杂交研究

目的 研究Mel 1a、Mel 1b褪黑素膜受体在大鼠中枢神经系统的表达及分布差异。 方法 原位杂交组织化学。 结果 (1)Mel 1amRNA阳性细胞主要分布于海马、大脑皮层、视上核、室旁核、视交叉上核、橄榄核、小脑皮层、小脑顶核、脊髓前角、面神经核、巨细胞网状核、纹状皮质、三叉神经核等。 (2 )Mel 1bmRNA阳性细胞主要分布于小脑皮层和顶核、球状核、栓状核、海马、大脑皮层、脊髓前角、视上核和交叉上核。 结论 Mel 1amRNA在中枢分布广泛、含量丰富 ,而Mel 1bmRNA在中枢分布较局限。在海马和大脑皮层 。

金属杂原子分子筛CrCoMEL的合成

采用水热晶化法首次合成出含铬、钴双金属杂原子ＣｒＣｏＭＥＬ分子筛，使用ＸＲＤ，ＵＶ－ＶｉｓＤＲＳ，ＥＳＲ等测试手段，对其物相和波谱学性质进行了测试。并通过改变晶化时间、晶化温度、成胶配比等对其合成条件进行了研究。

基于修正Mel频率映射的应力影响下变异语音识别方法

文章在对应力影响下变异语音进行分频带分析的基础上,选用了可以提升语音信号中频段影响的修正Mel频率映射,并将其对应的MFCC系数作为新的语音识别特征。通过采用正常/变异语音分类器和新特征来进行变异语音识别。实验结果表明:采用修正Mel频率映射的MFCC特征改进了变异语音的识别性能。

褪黑素受体Mel 1b基因mRNA和蛋白在鸭不同组织中的表达与分布

褪黑素广泛的生理作用是通过与其膜受体(Mel 1a、Mel 1b、Mel 1c)结合介导的。褪黑素受体在机体内广泛分布,但因受体亚型、物种、组织不同而异。采用RT-PCR、real-time PCR和免疫组化技术探究了Mel 1b在鸭不同组织(包括鸭脾脏、心脏、肾脏、大脑、胸肌、卵巢、肺脏、肝脏、胰脏组织)中的表达分布及相对表达量。结果表明,鸭Mel 1b mRNA在脾脏、心脏、肾脏、大脑、胸肌、卵巢、肺脏、肝脏、胰脏中均有表达,且Mel 1b受体蛋白均存在于大脑、肺脏、肝脏、胸肌、肾脏、心脏、胰脏中(脾脏、卵巢未成功测试)。Real-time PCR结果表明,各组织中Mel 1b mRNA表达量存在差异,在卵巢中的表达量最高,其次为肺脏,在脾脏、心脏、肾脏和肝脏中的表达量也明显高于大脑中的表达,但在胸肌和胰脏中的表达量要稍低于大脑中的表达量。Mel 1b在鸭各组织中普遍表达分布,进一步说明了其介导褪黑素广泛的生理功能,特别是对生殖功能的调节。

全硅MEL纳米分子筛的合成及物化性质I.全硅MEL纳米分子筛的合成

在TEOS TBAOH H2 O反应物体系中 ,水热条件下制备了全硅MEL (Silicalite 2 )沸石纳米晶 .详细讨论反应物中TBAOH/TEOS摩尔比、H2 O/TEOS摩尔比、反应温度等对沸石粒径的影响 .结果表明 ,反应物中较高的碱度和TEOS(硅源 )浓度 。

基于Mel倒谱系数和矢量量化的昆虫声音自动鉴别

为了给生产单位害虫管理的普通技术人员提供简便易操作的昆虫种类鉴别方法,本研究把人类语音识别领域的先进技术应用于昆虫识别,提出了一种新颖的昆虫声音自动鉴别方法,用声音参数化技术为昆虫声纹识别设计了一种简单易行的方案。声音信号经过预处理、分段得到一系列的声音样本,从声音样本提取Mel倒谱系数(MFCC),并用Linde-Buzo-Gray(LBG)算法对提取的MFCC进行矢量量化(VQ),所得码字作为声音样本的特征模型。特征参数之间的匹配用搜索最近邻的方法实现。本文方法在包含70种昆虫声音的库中进行了试验,取得了超过96%的识别率和理想的时间性能。试验结果证明了该方法的有效性。

差分和加权Mel倒谱混合参数应用于说话人识别

说话人识别是信息技术和生物学的新一代身份验证方式,在说话人识别的研究中,特征参数的提取直接影响到识别系统最终的识别效率.通过对Mel频率倒谱系数特征参数进行分析研究,基于Mel频率倒谱系数改进加权函数,将体现个人语音特性的加权特征参数与反映语音帧间变化的差分Mel频率倒谱系数进行维度筛选,再进行参数混合.实验结果表明,通过改进加权函数提取得到的特征参数与差分Mel频率倒谱系数的混合参数在矢量量化的说话人识别系统中,码本容量为16和32时可以达到100%的识别率.

m(APP)-m(PER)-m(MEL)比率对水性膨胀型防火涂料阻燃性能的影响

为了研究膨胀型阻燃体系各组分配比对防火涂料阻燃性能的影响,以聚磷酸铵(APP)-季戊四醇(PER)-三聚氰胺(MEL)为阻燃体系,水性丙烯酸乳液为黏结剂,TiO2为填料,并添加适量的水配制了水性膨胀型防火涂料(AIFRC)。采用小室燃烧法及模拟大板燃烧法研究涂料的防火阻燃性能,并利用热重分析(TGA)、傅里叶红外(FT-IR)、X射线衍射(XRD)及扫描电镜(SEM)等方法研究APP-PER-MEL体系中各组分不同质量比对涂料热分解过程及分解后残炭结构的影响,试验结果表明:当APP,PER及MEL的质量比为7∶1∶2时,所配制的涂料具有最佳的防火阻燃性能;阻燃体系中各组分的质量比对涂料受热时的炭化速率及残炭结构有较大影响,从而影响涂料的防火阻燃性能。