龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：南京理工大学
摘要：本发明公开了一种基于声音多特征融合和优化分类器的超载货车轴型识别方法。首先，根据GB1589‑2016将超载货车轴型划分为二轴、三轴、四轴、五轴和六轴五类，采集不同轴型超载货车不同工况不同超载比率、不同行驶速度等下的音频，同时对音频信号进行预处理。其次，选取短时能量和线性预测倒谱系数LPCC作为时域特征，选取梅尔倒谱系数MFCC及其一阶差分、伽玛通滤波器系数GFCC作为频域特征。再次，将提取的时频特征进行一阶段并联式加权特征融合和二阶段t分布随机近邻嵌入特征融合，最后采用改进的PSO‑BP分类器对融合后的特征进行训练、测试得到分类模型。本发明考虑到单一声信号特征对超载货车轴型识别的局限性，分阶段多层次融合不同类型的声学特征，进而增强特征间的协同效应和区分度，不仅能够减少数据的冗余和噪声，还在多个层面增强音频处理系统的性能，如实时性和内存消耗等，从而提升超载货车轴型识别的鲁棒性和准确率。
主权项：1.一种基于声学信号多特征融合的超载货车轴型识别方法，其特征在于，具体步骤为：步骤1：采集不同轴型超载货车不同工况下的音频数据，对音频数据进行预处理，包括预加重、分帧以及加窗处理；步骤2：提取不同轴型超载货车行驶声音时频域特征，提取的时域特征包括短时能量和线性预测倒谱系数LPCC，提取的频域特征包括梅尔倒谱系数MFCC及其一阶差分、伽玛通滤波器系数GFCC；步骤3：对提取的LPCC系数、MFCC系数以及MFCC一阶差分和GFCC系数四类时频特征统一维数进行并联式融合，再将一维短时能量拼接到融合特征中；步骤4：通过t分布随机近邻嵌入算法tSNE对步骤3的一阶段融合特征进一步降维融合；步骤5：选取改进的PSO-BP分类器训练步骤4的融合特征，训练迭代完成后的全局最优粒子位置即为PSO-BP最优参数；将实时获取的音频信号重复步骤1至4得到两阶段融合特征，输入训练好的PSO-BP分类器识别超载货车轴型。
全文数据：
权利要求：
百度查询： 南京理工大学 基于声学信号多特征融合的超载货车轴型识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号