砂岩破裂状态声发射梅尔倒谱系数判识方法

岩体结构破裂是严重制约矿山、地铁、隧道等地下空间工程建设及其安全运行的重要因素。实现对岩体结构破裂状态的识别是当下研究的热点与重点之一。为此,开展了不同条件的砂岩加载破坏实验,提取了加载全程的声发射梅尔倒谱系数及其波动差,研究了系数及其波动差在砂岩受载破坏全程的变化规律,分析了1号系数(一组声发射梅尔倒谱系数包括12个,1号系数指第1个声发射梅尔倒谱系数)及其波动差与砂岩破裂状态的相关性特征,基于此提出了砂岩破裂状态声发射梅尔倒谱系数判识方法,构建了判识准则并进行判识效果检验。结果表明:随载荷增加,1号系数整体上增大,系数及其离散性在破坏阶段显著增大并表现出显著的规律波动性特征;1号系数波动差具有阶段性变化特征,波动差的大小及其起伏变化可表征砂岩的破裂,波动差整体增大及突增的变化可反映砂岩非稳定变形和峰后破坏阶段的宏观破裂,波动差的突增幅度可反映砂岩破裂程度;声发射梅尔倒谱系数及其波动差对砂岩破裂表现出良好的响应特征,该特征受不同加载条件的影响较小,说明声发射梅尔倒谱系数在反映砂岩破裂上具有适用性;1号系数及其波动差与砂岩破裂状态具有较好相关性,该相关性可分为3个阶段,即1号系数及其波动差在砂岩微破裂阶段分布集中,在临近失稳破坏阶段分布范围急剧增大、整体值升高且出现高异常值,在峰后破坏阶段分布范围进一步增大、整体值更高、高异常值更多;利用1号系数的75%位点值和异常值、1号系数波动差的75%位点值和异常值构建了砂岩破裂状态判识准则,采用三分类模型混淆矩阵对判识准则的效果进行了检验,判识准确度和精准度分别为90.43%、94.45%。该成果可为其他种类煤岩的破裂状态识别提供借鉴,为煤岩失稳监测预警提供参考。

声发射梅尔倒谱系数在砂岩破裂分析的应用

声发射技术在煤岩破裂分析领域进行了大量应用,取得了诸多有益成果,对煤岩动力灾害监测预警提供了重要指导,然而煤岩声发射分析仍存在进一步研究和完善的空间,亟待提出新的声发射分析方法。为此,开展了预制裂纹砂岩试样单轴加载破坏实验,同步采集了加载全程的应力应变数据和全波形声发射数据,并对试样进行全程高清摄像;利用声波分析手段提取了砂岩的声发射梅尔倒谱系数,探讨了该系数在砂岩破裂分析的优势及其原因,分析了该系数对砂岩破坏过程的响应,由此进一步研究揭示了预制裂纹砂岩试样的破裂破坏演化特征及声发射梅尔倒谱系数前兆信息。结果表明:对同种砂岩的不同试样,由不同通道采集的声发射信号提取的同号梅尔倒谱系数的变化特征相似、变化量相近、偏差程度小(5%~15%),并且在砂岩加载全程具有阶段性和敏感性的变化特征,说明声发射梅尔倒谱系数具有稳定性优势,可作为反映砂岩破裂状态的特征参数;梅尔倒谱系数可对声发射波形进行很好表征,系数提取过程不对波形设置门槛值,系数值由一段时间内声发射波形幅度和密集程度等整体形态决定,而不同通道采集的声发射波形整体形态在一段时间内趋向于相似,是该系数具有稳定性优势的原因;在砂岩破坏阶段,梅尔倒谱系数呈现周期性升降波动,对应应力曲线的周期性降升和高幅度声发射波形的间断性产生,3者的变化量之间具有显著的正相关关系,说明该系数的波动性及其强弱可反映砂岩的破裂过程及破裂的剧烈程度,是砂岩破裂的响应,由此揭示了砂岩的间歇性破裂破坏演化特征,该特征随着临近砂岩失稳破坏而变得愈发剧烈;以此为指导,利用梅尔倒谱系数周期性波动的波峰与波谷之差(即波动差)来表征系数的波动性强弱并描述砂岩间歇性破裂的剧烈程度,得到了梅尔倒谱系数周期性波动差逐渐增大且突增的砂岩破坏前兆。

基于Fisher比的梅尔倒谱系数混合特征提取方法

针对语音识别中梅尔倒谱系数(MFCC)对中高频信号的识别精度不高,并且没有考虑各维特征参数对识别结果影响的问题,提出基于MFCC、逆梅尔倒谱系数(IMFCC)和中频梅尔倒谱系数(MidMFCC),并结合Fisher准则的特征提取方法。首先对语音信号提取MFCC、IMFCC和MidMFCC三种特征参数,分别计算三种特征参数中各维分量的Fisher比,通过Fisher比对三种特征参数进行选择,组成一种混合特征参数,提高语音中高频信息的识别精度。实验结果表明,在相同环境下,新的特征与MFCC参数相比,识别率有一定程度的提高。

基于梅尔倒谱系数的微细铣削颤振监测研究

微细铣削过程中的颤振是一种加工不稳定现象,会导致加工表面恶化、刀具快速磨损甚至刀具破损。本文提出了一种基于梅尔倒谱系数—隐马尔可夫模型改进的声音信号机器学习模型,更适用于加工过程的状态识别。开展Ti-6Al-4V钛合金微细铣削在不同加工状态下的声音信号采集试验,用于训练机器学习模型并获得模式库。通过对铣削过程中的不同声音信号与模式库进行比较,验证了所提出的机器学习模型的准确性。研究表明,基于合理的特征选取和模型参数优化,所提出的机器学习模型对加工状态的识别准确率达到82%。本研究可为改进微细铣削过程中的在线监测技术提供指导。

水下声目标的梅尔倒谱系数智能分类方法

传统水下声目标识别分类方法具有较强的人机交互特性,无法满足未来水下无人平台智能识别分类水声目标的需求。针对这一问题,提出了一种基于梅尔倒谱系数的水下声目标智能识别分类方法,该方法通过提取水下声目标梅尔倒谱系数特征,采用长短时记忆网络构建了智能识别分类模型。使用实际水声信号对该方法进行了验证,结果表明,基于梅尔倒谱系数的水下声目标智能识别分类方法能够在不依赖人工提取特征的情况下,对目标噪声进行识别分类,具备智能化识别分类能力。

改进的梅尔倒谱系数在低空飞行器特征提取中的应用

梅尔倒谱系数特征提取技术依据人耳的感知特性将声信号从线性频域转换到梅尔域,在语音识别中得到广泛应用。该文将梅尔倒谱系数技术用于小型低空飞行器的声信号特征提取中,并针对螺旋桨驱动类的小型低空飞行器具有稳定的强谐波特性,对梅尔倒谱系数特征提取中使用的梅尔滤波器进行改进,通过对此类谐波处的线性频谱与梅尔谱转换曲线的斜率进行投影替换,提高滤波器对该谐波处信号的感知敏感度。仿真结果表明,使用改进的梅尔倒谱系数特征提取方法对小型低空飞行器进行特征提取时,能够得到更低的等误识率,并且在低信噪比环境中,改进的梅尔倒谱系数特征提取方法具有更好的抗噪能力。

基于改进梅尔倒谱系数的GIS机械故障诊断方法

机械故障是GIS常见的故障,若不及时发现会造成分合闸失误等重大安全隐患。文中提出了一种用于GIS机械故障在线监测的基于改进梅尔倒谱系数诊断方法。首先对预处理后的声音信号提取MFCC;为适应GIS运行声音能量变化平缓的特点,对MFCC进行优化得到改进特征;引入SVM构建基于声学的GIS机械故障诊断模型,并采用袋装算法对SVM模型进行集成。本研究通过在真型GIS上模拟机械故障,获取真实的故障声音信号进行训练和测试。实验结果表明,改进MFCC相较于传统MFCC在GIS故障声音识别系统中有着更高的识别精度。并且对比传统MFCC特征,改进的特征在噪声条件下也有更好的表现,尤其在信噪比低时,F1分数提升幅度可以达到30%左右。

基于基频的梅尔倒谱系数在车辆识别中的应用

用传统的梅尔倒谱系数作为特征进行车辆识别时,识别效果易受噪声干扰。为增强特征鲁棒性,提出一种加权的基频自适应梅尔倒谱系数特征提取算法。首先用能熵比法对车辆声音信号进行端点检测;然后提取车辆信号的基频,自适应构建三角滤波器组,提高滤波器对基频的感知敏感度;最后对基频自适应梅尔倒谱系数进行F比加权。实验结果表明,与传统梅尔倒谱系数相比,在识别车辆时,加权的基频自适应梅尔倒谱系数识别准确率提高7.10%,虚警率降低3.93%,漏警率降低7.10%。

基于梅尔倒谱系数的矿山复杂微震信号自动识别分类方法

为了实现矿山复杂微震信号的自动高效识别与分类,保证后续微震分析的时效性和准确性,运用梅尔倒谱系数法,将原始的4种微震信号(岩体破裂、爆破振动、电磁干扰和钻机凿岩)转化为梅尔标度上的非线性频谱,再转换到倒谱域上,结合其在时域上的差分得到1组24维的特征参数向量,利用这些特征参数向量训练构建各类事件对应的混合高斯隐马尔可夫识别模型,进而实现对微震信号的自动识别分类。研究结果表明:运用基于梅尔倒谱系数的微震信号识别分类方法对矿山实际微震数据进行测试,微震事件的识别分类准确率达到92. 46%,具有较高的准确性,为实现微震监测系统的实时性分析提供了技术支持。

基于改进小波包去噪与梅尔倒谱系数的低信噪比交通环境声音识别

随着自动驾驶汽车研究的不断深入,对其环境感知系统提出了更高的要求。为了使自动驾驶汽车适应更复杂的交通环境,研究了低信噪比声学环境感知技术,提出改进的小波包去噪方法;采用经验模态分解(EMD)的方法改进梅尔频率倒谱系数(MFCC)的提取;采用支持向量机(SVM)识别模型完成低信噪比交通环境声音识别。实验结果表明,本文提取的去噪方法提高声音事件信噪比的同时保持声音特征,且对噪声有自适应性;改进的MFCC提取方法一定程度上提高了特征参数的抗噪性能。通过对低信噪比交通环境声音去噪和特征参数优化后,其平均识别率比优化前提高了33.34%,并改变了识别率骤降的趋势。

基于梅尔倒谱系数特征集的储能变流器开路故障诊断方法

电池储能电站功率转换系统(power conversion system,PCS)故障诊断在储能电站智能运维中发挥着重要作用。现有方法在非侵入式识别PCS内部IGBT开路故障时,易出现信号特征提取困难、数据维度爆炸以及阈值判定区间不稳定等问题。提出一种基于梅尔倒谱系数(Mel-scale frequency cepstral coefficients,MFCC)特征集的储能变流器开路故障诊断方法。首先,以交流侧三相电流为输入信号,通过分析不同频率区间的信号频谱能量分布情况和包络特征,构建MFCC故障特征数据集。然后,结合核主成分分析(kernel principal components analysis,KPCA),实现充放电工况下非线性故障特征的降维筛选;其次,以低维故障特征集为输入,构建基于贝叶斯优化算法(bayesian optimization algorithm,BOA)与一维卷积神经网络(1d-convolutional neural network,CNN-1D)的故障状态诊断模型;最后,通过并网储能变流器的故障仿真实验,与现有方法进行比较,结果表明:所提方法在复杂的噪声环境下的鲁棒性和准确性更优。

基于梅尔倒谱系数的路面板下脱空识别的应用研究

混凝土路面在使用过程中会出现各种病害,板下脱空就是常见的病害之一。因此,对混凝土路面板下脱空的有效识别就显得十分必要和紧迫。文中在了解和分析国内外脱空识别和声信号处理方法的基础上,针对声振法采集到的声信号的具体特征,利用梅尔倒谱系数(MFCC)和BP神经网络在混凝土路面板下脱空程度方面的应用,对路面板下脱空进行了研究。结果表明:严重脱空的识别正确率为94%,一般性脱空的识别正确率为92%,非脱空的识别正确率为90%。本文研究方法能够达到识别路面板下脱空的目的。

基于梅尔倒谱系数、深层卷积和Bagging的环境音分类方法

针对传统环境音分类模型对环境音特征提取不充分,以及卷积神经网络用于环境音分类时全连接层易造成过拟合现象的问题,提出了梅尔倒谱系数(MFCC)、深层卷积和Bagging算法相结合的环境音分类方法。首先,针对原始音频文件,利用预加重、加窗、离散傅里叶变换、梅尔滤波器转换、离散余弦映射等方法建立梅尔倒谱系数特征模型;然后,将特征模型输入卷积深度网络进行第二次特征提取;最后,借鉴强化学习思想,用Bagging集成算法集成线性判别分析器、支持向量机(SVM)、Softmax回归、XGBoost四个模型,以投票预测的形式对网络输出结果进行预测。实验结果表明,所提方法能够有效提高对环境音的特征提取能力和深层网络在环境音分类上的抗过拟合能力。

梅尔频率倒谱系数在声带息肉手术前后嗓音分析中的价值研究

目的 本研究拟通过提取患者嗓音中的梅尔频率倒谱系数(MFCC)指标,探讨其在声带息肉手术前后嗓音分析中的临床价值。方法 回顾性分析于2018年1月—2019年8月行声带息肉手术且术前及术后1个月均行嗓音评估的患者41例,男31例,女10例;平均年龄(42.9±11.4)岁。另选取无声嘶且无声带病变的正常受试者21例作为基线对照。使用基于Python编程语言的librosa语音处理包进行MFCC特征提取,分别提取每位患者的MFCC均值,MFCC方差与MFCC标准差,使用配对样本t检验比较声带息肉手术前后上述各MFCC特征的差异。结果 声带息肉患者术后MFCC均值1.25±1.01、MFCC方差561.34±154.98及MFCC标准差21.74±4.03比术前MFCC均值6.81±2.05、MFCC方差1 019.66±295.87及MFCC标准差34.37±6.63显著下降,差异具有统计学意义(t=18.596,P=0.000;t=10.338,P=0.000;t=11.852,P=0.000)。声带息肉组患者术后1个月其MFCC均值、MFCC方差及MFCC标准差与正常受试者相比差异均无统计学意义,表明绝大部分声带息肉患者术后嗓音得到良好的恢复。结论 本研究首次探索了MFCC在声带息肉手术前后嗓音分析中的价值,MFCC各特征可作为评估声带息肉术后嗓音恢复的指标。

基于脉搏波频域梅尔频率倒谱系数特征的高血压危险分层预测模型

目的 为改进基于人工智能技术高血压时域脉搏波分类模型精度低、泛化性能差的问题,提出一种基于融合注意力机制的频域脉搏波预测模型。方法 首先将时域脉搏波转换为频域梅尔频率倒谱系数特征,增强脉搏波区分度,采用时间卷积网络与Transformer 结构提取脉搏波深层特征,并将自注意力机制与选择性内核注意力进行决策融合,提取脉搏波关联特征,并采用Floodings正则化方法间接控制训练损失,防止过拟合发生。针对上海中医药大学附属龙华医院及上海市中西医结合医院提供的527例临床脉诊数据,进行5折交叉验证实验。此外,采用梯度提升决策树算法统计脉搏波频域特征的贡献率排名,分析影响模型分类精度的关键因素,为中医临床辅助诊断提供参考价值。结果 本研究提出的模型分类评估指标准确度、F1值、精确率、召回率和AUC值分别为0.939 6、0.924 9、0.940 9、0.929 5和0.993 4。脉搏波的静态特征、一阶差分和二阶差分系数的贡献率相对均衡,说明高血压危险程度不仅与脉搏波的静态特征相关,也应当考虑脉搏波的动态特征。结论 与典型脉搏波分类模型相比,本研究提出的模型具有较高的分类精度和泛化性能。

基于梅尔频率倒谱系数的语音清晰度DRT识别

语音清晰度在通信终端、设备系统语音识别方面具有重要意义。本文对110dB噪声干扰下采集到的语音信号进行谱减法降噪,双门限端点检测提取发音字段,然后提取梅尔频率倒谱系数(MFCC),再将其进行差分计算,得到一阶和二阶分量,结合短时能量作为语音信号的特征参数,最后通过动态时间归整(DTW)进行相似度识别。实验表明,本文算法对汉语清晰度诊断押韵测试(DRT)字表的测试结果高达92.90%,有良好的识别率。

预制裂纹砂岩受载破裂声发射梅尔倒谱系数响应特征

针对煤岩失稳的监测预警问题,开展预制裂纹砂岩的单轴压缩试验,同步采集砂岩受载破坏的声发射全波形数据、应力数据和图像信息,提取了声发射的梅尔倒谱系数(MFCC),分析其随预制裂纹砂岩破裂的响应特征.结果表明:不同角度预制裂纹砂岩的破裂特征存在差异,预制裂纹角度越大,发生局部破坏脱落的可能性越小;对于同一角度预制裂纹砂岩试样,各声发射通道得到的同号梅尔倒谱系数的变化规律具有一致性,不同角度预制裂纹砂岩试样的声发射梅尔倒谱系数的变化规律存在差异;各个编号的声发射梅尔倒谱系数在试样加载之初至完全破坏的各个阶段变化敏感,不同编号的声发射梅尔倒谱系数的变化规律不尽相同,编号1和2的声发射梅尔倒谱系数的离散度可用于区分试样的破裂状态,辨识出试样的塑性阶段和破裂阶段;声发射梅尔倒谱系数的周期性波动对应试样的周期性应力降和内部破裂,系数波动性剧烈时刻对应声发射事件大量产生,其中,2号梅尔倒谱系数出现较大突降时刻对应试样表观裂隙产生,系数的波动性及其强弱可表征试样的破裂及破裂的剧烈程度.声发射梅尔倒谱系数在反映裂隙扩展演化及判识试样破坏方面具有优势.研究结果可为进一步完善煤岩失稳的预测预警提供借鉴.

音频的梅尔频率倒谱系数特征抽取过程

特征工程是机器学习中重要的一环。梅尔倒谱系统特征是语音的关键信息,提取该特征是语音识别的特征工程之一。首先分析了梅尔特征的提取过程,包括预加重、分窗、窗函数、短时傅里叶、能量普计算、三角滤波、取对数、离散余弦变换和倒谱抬升八个步骤,其中重点分析了窗函数和梅尔三角滤波,这两个过程因有多种算法应用于不同的语音识别场景。在三角滤波过程中,引入了梅尔尺度的概念。然后,把梅尔特征的提取步骤在Python语言中,使用librosa库函数中的mfcc函数进行关键步骤实现。结果表明,梅尔倒谱系特征是语音识别中的典型特征,其提取过程对于其它特征的提取具有广泛的借鉴意义。

基于梅尔频率倒谱系数与翻转梅尔频率倒谱系数的说话人识别方法

为提高说话人识别系统的识别率,提出了基于梅尔频率倒谱系数(MFCC)与翻转梅尔频率倒谱系数(IMFCC)为特征参数的特征提取新方法。该方法利用Fisher准则将MFCC和IMFCC相结合,构造了一种混合特征参数。实验结果表明,新的混合特征参数与MFCC相比,在纯净语音库及噪声环境中均具有较好的识别性能。

基于梅尔频率倒谱系数与动态时间规整的安卓声纹解锁系统

安卓设备通常采用数字或图形密码解锁,但此类口令形式的密码安全性不高,而且部分安卓版本存在锁屏绕过漏洞的问题。为此,设计一种利用用户声纹特征的安卓解锁系统。采用梅尔频率倒谱系数提取声纹特征,使用动态时间规整算法进行文本相关的声纹模式匹配,并结合安卓NDK技术实现快速声纹识别。实验结果表明,该系统具有较高的解锁成功率和较快的解锁速度,相比数字或图形解锁,声纹解锁安全性更高,用户体验更好。