一种深度降噪自编码器的语音增强算法

依据带噪语音中不同类型语音分段(segment)对语音整体的可懂度影响不同,提出了一种基于语音分段来分类训练深度降噪自编码器(DDAE)的语音增强算法。该算法使得DDAE模型在尽可能减小Dropout所引入的扰动对带噪语音噪声特性破坏的同时,提高了对带噪语音可懂度关键分段(中均方根分段)语音特性学习的鲁棒性,提高了增强语音的可懂度。实验结果表明,该算法较现有方法提高了增强语音可懂度的NCM值。

基于深度稀疏降噪自编码网络的局部放电模式识别

由于变电站现场局部放电检测易于受到各类干扰的影响,造成检测数据中存在噪声,使数据中信号特征不明显,因此传统的基于统计特征的模式识别方法在应对现场检测数据时识别率较低。提出了一种基于深度稀疏降噪自编码器网络的模式识别方法。对试验检测出的典型特征图谱,利用深度稀疏降噪自编码器进行主动染噪学习训练,最后得到可以有效去噪的深度特征提取模型,并利用Softmax分类器输出识别结果。利用在变电站现场实测数据对方法进行验证,并与传统的识别方法进行对比,证明方法对含有噪声的局部放电信号有更好的识别效果。

基于深度自编码网络的接触网开口销缺失识别

在对接触网悬挂装置状态进行检测时,因为缺少开口销缺失的样本,智能识别难以保证较高的准确率。本文提出了一种基于YOLO v2检测算法与深度降噪自编码网络的接触网开口销缺失识别方法,实现对开口销的定位及定位后开口销图像重构,通过分析重构误差判断接触网开口销是否缺失。试验证明该方法能有效识别开口销缺失情况。

基于混合深度学习的高铁道岔故障诊断研究

针对现行高铁道岔故障诊断过度依赖人工经验,导致故障诊断效率低的问题,提出一种混合深度降噪自编码器与支持向量机的高铁道岔故障诊断方案。通过采用深度降噪自编码器自动提取高铁道岔动作电流曲线特征,并将其输入支持向量机模型进行故障,实现了高铁道岔的故障诊断。最后,通过采用提出方法对实际高铁道岔数据进行故障诊断仿真,验证了提出方法的有效性。结果表明,本研究提出的基于混合深度学习的高铁道岔故障诊断方法可有效检测出高铁道岔故障,具有较高的准确性,可用于实际高铁道岔故障诊断。