基于深度迁移学习的多点频域振动响应预测

针对多输入多输出神经网络(MIMO-ANN)进行多点频域振动响应预测时需要为每个频率点独立建立神经网络模型、独立随机选择神经网络模型初值导致的训练时间长、预测精度低等问题,提出了一种基于多输入多输出人工神经网络(MIMO-ANN)和模型迁移学习的多点频域振动响应预测方法。本研究对于多源不相关载荷未知条件下的基于数据驱动的振动响应预测问题进行了形式化描述,并比较了其与不相关多源载荷已知情况下基于数据驱动的多点频域振动响应预测问题的不同之处。首先,将某频率点下的多个振动响应已知的测点的自功率谱作为输入,多个振动响应未知的测点的自功率谱作为输出,将两部分历史数据集构造成为训练集,利用MIMO-ANN建立该频率下的未知点振动响应预测模型;其次,根据传递函数在频域的连续性,利用该频率下训练好的MIMO-ANN的权值迁移到相邻频率作为其MIMO-ANN的初值;再次,利用此相邻频率下的历史数据进行训练,从而得到此频率下的预测模型;最后,不断循环此过程,直到所有频率点的模型全部训练完成。该方法解决了矩阵病态求逆问题,可以获得更好的神经网络模型的初值,不容易陷入局部最优,加快了神经网络的收敛速度。在圆柱壳声振实验数据集的多点响应预测结果表明,在多源载荷未知条件下,该方法比基于无迁移学习神经网络、多元线性回归、传递函数的方法,预测精度、训练效率更高。

基于频域线性预测心理声学掩蔽模型的音频编解码器

频域线性预测给出了信号的希尔伯特包络的近似。基于频域线性预测的编解码器运用长时分割,很好地保持了时域包络信息。该编解码器能够重建高质量的信号,但是编码效率不高。将频域掩蔽引入到时域线性预测编解码器用以减少比特率。频域掩蔽是一个听音现象,如果另一个强度较大的声音出现,关注声音的听音阈值将增加。心理声学模型用于估计频域线性预测载波信号的听力阈值和绝对听力阈值。频域子带频域线性预测载波信号的比特配置根据听力阈值和绝对听力阈值计算得到。应用频率掩蔽,比特率下降5%。该文方法的效果应用音频质量感知评价和MUSHRA方法进行了测试。

基于频域线性预测的声门闭相时刻检测

语音处理应用中,常常利用的语音特性是浊音的伪周期性,而使用该特性的前提是能够获得语音的声门闭相时刻。为了准确地检测语音声门闭相时刻,提出使用频域线性预测进行连续语音声门闭相时刻的自动检测算法。实验结果表明,该算法的检测准确率为97.69%,比现有基于动态规划斜率的算法提高2.15%,比基于希尔伯特包络的算法提高0.65%。总体来说,使用频域线性预测进行声门闭相时刻检测是可行的。

基于数值积分的车削加工时域仿真

建立了车削加工系统z向单自由度动力学模型,试验测试获得了CJ0625车床的刀架频响函数,并辨识获得结构动态特性参数.采用一种变步长方法进行时域仿真研究,该算法可以根据计算点主轴转速动态调整仿真步长,保证算法收敛,满足仿真结果精度要求.基于Matlab平台设计并编写了车削加工时域仿真软件.对时域仿真方法与频域颤振预测方法(叶瓣图法)进行了比较研究.给出了稳定切削、临界稳定以及颤振情况下的振动位移变化曲线.结果表明两种方法获得的车削加工绝对稳定切削深度误差小于6.07%.