基于声发射时频特征的岩石破裂前兆识别方法

为得到岩石破裂的有效前兆信息,通过时频分析方法研究了白云岩破裂的声发射波形信号。对取样于2008年汶川地震引起的东河口滑坡源区的白云岩样品开展三轴多级循环加载试验,分析其力学及声发射特性,并从声发射波形时频特征分析岩石破裂前兆信息。在声发射波形参数(主频)的基础上提出一个新的特征参数:主主频(即最大主频),对13个主主频关键点进行傅里叶变换(FT)和三维短时傅里叶变换(3D-STFT),分析其时频演化特征,以期得到岩石破裂有效的前兆信息。研究结果表明:声发射事件率、累积振铃计数和能量均反映白云岩试样受力破裂过程的动态演化规律;白云岩试样的主频呈带状演化,破裂前兆表现为高频区间向低频、中频区间转移,累积主频曲线的斜率在891 s处达到峰值,可作为岩样破裂的前兆信息之一;在6次循环加、卸载中,主主频呈现高频率值与低频率值交替出现的规律,将主主频突降的第11个点(784 s)作为预警前兆之一,相比主频预警点(891 s)提前了107 s。对比分析可知主主频能获取更为细节的岩石破裂前兆信息,从而为岩石破裂预警提供科学依据和理论基础。

基于三维卷积神经网络的虫音特征识别方法

进口木材蛀虫检疫是海关的一项重要工作,但其存在着虫声检测算法准确率低、鲁棒性差等问题。针对这些问题,提出了一种基于三维卷积神经网络(3D CNN)的虫音检测方法以实现虫音特征的识别。首先,对原始虫音音频进行交叠分帧预处理,并使用短时傅里叶变换得到虫音音频的语谱图;然后,将语谱图作为3D CNN的输入,使其通过包含三层卷积层的3D CNN以判断音频中是否存在虫音特征。通过设置不同分帧长度下的输入进行网络训练及测试;最后以准确率、F 1分数以及ROC曲线作为评估指标进行性能分析。结果表明,在交叠分帧长度取5 s时,训练及测试效果最佳。此时,3D CNN模型在测试集上的准确率达到96.0%,F 1分数为0.96,且比二维卷积神经网络(2D CNN)模型准确率提高近18%。说明所提算法能准确地从音频信号中提取虫音特征并完成蛀虫识别任务,为海关检验检疫提供有力保障。

手势认证中基于能量熵的端点检测方法研究

为了保证智能手机敏感信息的安全性,设计实现了一种基于手机内置三轴加速度传感器的三维手势认证方案。在手势端点检测部分,在定性分析手势加速度信号能量分布特性的基础上,提出了一种基于能量熵的新方法实现有效手势截取。进一步设计基于欧式距离的动态时间规整算法对截取后的手势序列信号进行匹配认证,当他人模仿手势错误接受率趋近0%时,本人认证手势错误拒绝率维持在7%左右,从而实现智能手机用户身份识别。