结合乐理理论和信号处理理论,针对传统和弦识别仅考虑音高特性的音级轮廓特征PCP(pitch class profile)造成正确识别率较低的问题,提出一种以反映听觉特性的MFCC(mel frequency cepstral coefficent)与PCP的联合特征和稀疏表示分类器(sp...结合乐理理论和信号处理理论,针对传统和弦识别仅考虑音高特性的音级轮廓特征PCP(pitch class profile)造成正确识别率较低的问题,提出一种以反映听觉特性的MFCC(mel frequency cepstral coefficent)与PCP的联合特征和稀疏表示分类器(sparse representation classification,SRC)的和弦识别方法.通过对两特征矢量的叠加构成新的和弦特征,然后利用SRC进行和弦识别.实验结果表明,与传统方法的识别率相比,本方法的识别率大幅提高.展开更多
为了准确识别气体绝缘开关柜(gas insulated switchgear,GIS)设备的异常工况,提出了一种基于加权梅尔频率谱系数单类支持向量机(Mel frequency cestrum coefficient-one class support vector machine,MFCC-OCSVM)和贝叶斯优化的门控循...为了准确识别气体绝缘开关柜(gas insulated switchgear,GIS)设备的异常工况,提出了一种基于加权梅尔频率谱系数单类支持向量机(Mel frequency cestrum coefficient-one class support vector machine,MFCC-OCSVM)和贝叶斯优化的门控循环单元(bidirectional gate recurrent unit,BiGRU)声纹识别算法。首先,利用基于F统计量的MFCC对声纹数据进行加权特征提取,突出重要特征并减弱噪声的影响,然后利用OCSVM对加权后的特征进行异常检测并去除异常值,提高数据质量。为解决样本不平衡问题,采用合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)进行声纹样本的均衡。最后,应用基于贝叶斯优化的BiGRU模型进行声纹识别。以某气体绝缘全封闭组合电器(gas insulated switchgear,GIS)为例,采集了20类不同工况下操纵机构的声音样本,与多种经典分类模型进行对比。结果显示,所提算法取得的最高平均识别准确率达到了92.8%,相比于自适应增强、朴素贝叶斯和线性判别分析算法分别提升了30.1%、14.7%和11.5%。通过消融实验进一步评估和验证了所提算法各个流程对声纹识别的实际效果和性能影响,研究成果可为GIS设备异常工况的声纹识别提供高效技术路线。展开更多
文摘结合乐理理论和信号处理理论,针对传统和弦识别仅考虑音高特性的音级轮廓特征PCP(pitch class profile)造成正确识别率较低的问题,提出一种以反映听觉特性的MFCC(mel frequency cepstral coefficent)与PCP的联合特征和稀疏表示分类器(sparse representation classification,SRC)的和弦识别方法.通过对两特征矢量的叠加构成新的和弦特征,然后利用SRC进行和弦识别.实验结果表明,与传统方法的识别率相比,本方法的识别率大幅提高.
