首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于听觉感知结合主成分分析的扬声器异常声分类方法 

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:桂林电子科技大学

摘要:本发明涉及扬声器的质量检测技术领域,具体涉及基于听觉感知结合主成分分析的扬声器异常声分类方法,本发明首先对采集到的声音按照德国DIN45631A1标准计算时变特征响度,得到特征响度随时间变化的数据;接下来求取时变特征响度频带能量信息熵,并将权重系数和时变特征响度图进行运算得到权重下的时变特征响度谱;接着通过二维主成分分析方法,提取时变特征响度谱的主要信息量,消除冗余信息,得到降维后的样本特征;并划分为训练集和测试集,并将样本特征作为支持向量机的输入,建立支持向量机模型进行训练,实现扬声器异常声分类。本发明基于听觉感知模拟人耳听音过程,消除了主观感受对分类结果的影响。

主权项:1.基于听觉感知结合主成分分析的扬声器异常声分类方法,其特征在于:包括以下步骤:S1:使用传声器采集扬声器的声音信号,设传声器的采样频率为fs,单位为Hz;声音信号时长为T,单位为s;按照德国DIN45631A1标准对声音信号计算各个频带的时变特征响度谱vn,zi,其中n是指将声音信号时长T按照2ms为分度划分的点数;i是指将24个临界频带Bark按照0.1Bark为分度划分为240个子频带,i为对应的频带号,i=1,2,…,240;zi为心理声学的24个临界频带Bark的频率尺度;S2:计算每个频带的信息熵权重系数,求取信息熵权重下的时变特征响度谱sn,zi;S3:通过二维主成分分析方法,提取时变特征响度谱的主要信息量,消除冗余信息,得到降维后的特征矩阵B;将正常、碰圈、漏气、小音四种不同异常类型的扬声器响应信号对应的标签分别赋值为1、2、3和4,将特征和标签组成样本矩阵,并将样本划分为训练集和测试集;S4:选择标签为1和2、1和3、1和4、2和3、2和4、3和4分别对应的训练样本组合为一组训练集,得到6组训练集,对于每组训练集构造一个未知的SVM二分类模型,并通过对训练样本进行交叉验证得出最优超参数,从而得到6个训练好的SVM二分类模型;S5:将待识别的扬声器响应信号提取出来的样本特征输入步骤S3中的6个SVM二分类模型中,每个模型输出一个标签,将出现次数最多的标签所对应的类别判定为扬声器响应信号的异常类型;所述步骤S2中计算每个频带的信息熵权重系数具体包括以下步骤:S21:求取时变特征响度谱vn,zi各个频带的能量Ezi: S22:求取每个频带占总能量的比重Pzi: S23:求取每个频带的信息熵权重系数gzi:gzi=-PzilogPzi;所述步骤S2中求取信息熵权重下的时变特征响度谱sn,zi具体是利用人耳听觉的非线性作用,求取信息熵权重下的时变特征响度sn,zi,即各个频带的时变特征响度谱vn,zi乘以对应频带的信息熵权重系数gzi,具体计算公式如下:sn,zi=vn,zigzi;所述步骤S3具体包括以下步骤:S31:对所有扬声器响应信号的时变特征响度谱进行中心化处理,共有M个图像样本,第j个图像样本记为矩阵Aj,所有样本的平均图像为可得图像的协方差矩阵Gt: S32:将时变特征响度谱图像的协方差矩阵Gt输入到MATLAB中的eig函数,得到图像协方差矩阵Gt的特征值λk及对应的特征向量sk;S33:将特征向量sk按其对应特征值大小进行降序排序;S34:根据累积贡献率大于90%时选取时变特征响度谱的主要成分,取前d个特征值对应的特征向量作为特征子空间ω,sk为特征向量,1≤k≤d,d为累积贡献率大于90%时对应的特征个数,ω=s1,s2,...sd;S35:根据特征向量sk构建图像特征矩阵进行特征提取,对于时变特征响度谱sn,zi对应的图像矩阵A可得投影特征向量Yk,Yk代表特征向量sk所对应的投影特征向量,k为特征个数变量,d为累积贡献率大于90%时对应的特征个数,Yk=Ask,k=1,2,...,d;S36:根据投影特征向量构建特征矩阵B,Y1,Y2,...,Yd分别为投影特征向量,B=Y1,Y2,...,Yd;S37:将四种不同状态的扬声器响应信号对应的标签分别赋值为1、2、3和4,将特征和标签组成样本矩阵,并划分为训练集和测试集,训练集标签与训练数据集相一致,测试集标签与测试数据集相一致;所述步骤S4包括以下步骤:S41:构造一个未知的SVM二分类模型,其中,所述SVM二分类模型为:gx=wTΦx+b;其中x为样本特征,x=B;Φx为将样本特征x映射到高维的映射函数,w,b为待求参数;S42:根据所述SVM二分类模型构建目标优化函数: s.t.yqwTΦxq+b≥1-ξq;q=1,2...mc为超参数,yq为样本q的标签,xq为表示样本q的样本特征,样本数为m;ξq为松弛因子,ξq=max0,1-yqw·xq+b,每一个样本都有一个对应的松弛变量,表征该样本不满足约束的程度;S43:对于所述目标优化函数,引入拉格朗日乘子进行求解,得到最优的分类超平面参数其中α1,α2,...,αq为拉格朗日乘子,xs为拉格朗日乘子中的一个分量αs所对应的样本特征,ys为对应样本特征的标签;S44:将计算得到的w0和b0代入非线性SVM分类器模型表达式中得: 式中Kxq,x=ΦTxqΦx为核函数,且选择高斯核函数Kxq,x=exp-γ||xq-x||2,γ为超参数;S45:将样本特征和样本标签作为样本输入矩阵,取样本特征的70%~80%作为训练样本进行交叉验证,将矩阵整体输入MATLAB中的ClassificationLearner,并选择高斯非线性SVM分类器模型,设置超参数c和γ的值,选择标签为1和2、1和3、1和4、2和3、2和4、3和4分别对应的训练样本组合为一组训练集,分别对每组训练集进行机器学习;S46:更改超参数c和γ的值,重复步骤S45,直到达到预设次数,找到最大准确率对应的超参数c和γ作为最佳超参数,并将该参数设置的模型为最优SVM二分类模型;S47:将每组训练样本余下的样本输入步骤S46中得到的最优SVM二分类模型中进行分类,将分类结果与对应的标签比对,当分类器的准确率高于预设值时,判定SVM二分类模型训练完成,从而得到6个训练好的SVM二分类模型。

全文数据:

权利要求:

百度查询: 桂林电子科技大学 基于听觉感知结合主成分分析的扬声器异常声分类方法

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。