并行网络与数据扩充方法在乘用车异响识别中的应用

针对乘用车车内异响识别研究过程中数据集少且人工诊断法效率低的问题,提出了一种具有高识别准确率的数据扩充方法,并采取卷积神经网络与Transformer编码器栈并行的工作机制获得分类模型。结果表明,当将提取的扩充数据的梅尔倒谱系数特征用作并行网络的输入时,所提出的数据扩充方法可有效提高分类性能,且拟议模型在测试集上可以实现高达98.31%的分类精度。