CN111079705A - 一种振动信号分类方法 - Google Patents
一种振动信号分类方法 Download PDFInfo
- Publication number
- CN111079705A CN111079705A CN201911411931.XA CN201911411931A CN111079705A CN 111079705 A CN111079705 A CN 111079705A CN 201911411931 A CN201911411931 A CN 201911411931A CN 111079705 A CN111079705 A CN 111079705A
- Authority
- CN
- China
- Prior art keywords
- signal
- classification
- environment
- vibration
- vibration signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种振动信号分类方法,通过采用决策树算法生成分类模型,并在此基础,训练生成与环境类型一一对应的信号分类子模型,能够实现对于某个振动信号仅需使用一个信号分类子模型即可完成分类,有效降低了分类过程对处理器算力的要求,同时,能够有效降低因多环境数据统一训练带来的模型过于复杂的问题,增强了算法对于不同环境的适应能力。
Description
技术领域
本发明属于信号分类方法技术领域,具体涉及一种振动信号分类方法。
背景技术
现有振动信号的分类方法通常为:首先,对振动信号进行信号处理,然后对振动信号进行模式识别得到振动信号的分类。例如,公告号为CN106127135B的中国实用新型专利,公开了“一种陵区入侵振动信号特征提取与分类识别算法”,其首先对振动信号进行了经验模态分解,随后利用优化过的支持向量机算法对信号进行分类。这种方法对运行算法的处理器要求很高,仅能够在有着较强算力的上位机或者服务器上完成对信号的分类任务,在低算力的下位机上难以实现。当在低算力情况下又需要对信号进行实时分类时,目前常用的信号处理及分类方法带来的延时会使得整个信号分类系统无法运行。
此外,由于同一待识别信号在不同环境下的特性会有所改变,多数算法需要获取待识别信号在多种不同环境下的数据才能完成对其的分类,而实际工程中很难采集待识别信号在所有环境下的数据,因此当采集信号的环境发生变化时,分类算法的精度会出现明显下降。同时,若使用多种环境下的信号数据进行分类,分类模型将更为复杂,对处理器的要求也就更高,低算力的处理器将无法支持信号的分类。
发明内容
有鉴于此,本发明提供了一种振动信号分类方法,实现了在低功率、低算力的处理器上完成不同环境下振动信号的分类。
本发明提供的一种振动信号分类方法,包括以下步骤:
提取振动信号中与环境和信号相关的特征形成特征向量;采用所述特征向量及其对应的环境类型构建环境训练样本集,标签为振动信号的环境类型,输入为特征向量;采用同一环境类型的特征向量及其对应的信号类型构建信号训练样本集,标签为振动信号的信号类型,输入为同一环境类型的特征向量;
基于决策树算法建立分类模型,采用所述环境训练样本集和信号训练样本集分别对所述分类模型进行训练,得到环境分类子模型和信号分类子模型;所述信号分类子模型与环境类型一一对应;
分类应用中,将得到的待分类振动信号的特征向量输入到所述环境分类子模型中,得到待分类振动信号的实际环境类型,再将所述特征向量输入与所述实际环境类型相对应的信号分类子模型中,得到待分类振动信号的信号类型。
进一步地,所述特征向量的形成过程如下:首先,按照设定频率对所述振动信号采样得到采样数据,然后,对所述采样数据按照设定时长切片形成信号数据帧,最后,提取所述信号数据帧中与环境和信号相关的特征形成特征向量。
进一步地,所述设定时长t的取值范围为3s≤t≤4s。
进一步地,所述特征向量包括:所述信号数据帧的数据平方和、信号数据帧的鞘度、信号数据帧对应的频域信号的鞘度、信号数据帧中环境噪声的频率分布及信号数据帧中信号数据的频率分布。
进一步地,所述切片方式为滑动窗。
进一步地,在构建所述环境训练样本集和信号训练样本集之前,对所述振动信号进行预处理,具体过程为:当所述振动信号中环境噪声的幅值与信号数据的幅值之差小于阈值时,将信号数据扩大λ倍,其中,1.05≤λ≤1.1。
进一步地,首先将所述训练得到的环境分类子模型和信号分类子模型的代码采用键值对字典结构描述,然后将所述字典结构转换为字符串形式。
有益效果:
1、本发明通过采用决策树算法生成分类模型,并在此基础,训练生成与环境类型一一对应的信号分类子模型,能够实现对于某个振动信号仅需使用一个信号分类子模型即可完成分类,有效降低了分类过程对处理器算力的要求,同时,能够有效降低因多环境数据统一训练带来的模型过于复杂的问题,增强了算法对于不同环境的适应能力。
2、本发明通过对振动信号进行预处理,提升了对与环境噪声接近的待检测信号的分类精度。
附图说明
图1为本发明提供的一种振动信号分类方法的分类模型训练过程流程图。
图2为本发明提供的一种振动信号分类方法的分类应用过程流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供的一种振动信号分类方法,核心思想是:基于决策树算法生成分类模型,采用振动样本信号对分类模型进行训练生成环境分类子模型和与环境类型一一对应的信号分类子模型,分类应用时,首先采用环境分类子模型判断待分类振动信号的环境类型,再根据环境类型选择信号分类子模型进行分类处理。
本发明提供的一种振动信号分类方法,如图1和2所示,具体包括以下步骤:
步骤1、提取振动信号中与环境和信号相关的特征形成特征向量。
首先,利用传感器获取振动信号,振动信号中包含了环境噪声与信号数据;然后,采用设定的采样频率w对振动信号进行采样,得到采样数据,例如,w=500HZ;最后,对采样数据按照设定时长切片形成信号数据帧,设定时长t的取值范围一般为3s≤t≤4s,切片方式可采用滑动窗的方式;最后,提取所述信号数据帧中与环境和信号相关的特征形成特征向量。
一般情况下,特征向量包括:特征一为信号数据帧的数据平方和,特征二为信号数据帧的鞘度,特征三为将信号数据帧进行傅里叶变换得到的频域信号的鞘度,特征四为信号数据帧中环境噪声的频率分布,特征五为信号数据帧中信号数据的频率分布。
此外,对于训练所需样本的构建过程来说,当作为样本数据的振动信号中环境噪声的幅值与信号数据的幅值之差小于阈值时,例如,在设定时间内环境噪声的幅值的均值与信号数据的幅值的均值之差小于该阈值,则需要对样本数据进行预处理,即基于大量实验的总结,可将信号数据扩大λ倍,其中,1.05≤λ≤1.1。通过对样本数据的预处理,能够有效提升对接近环境噪声的待识别信号的识别精度。
步骤2、构建训练样本集。
采用样本数据的特征向量及其对应的环境类型构建环境训练样本集,标签为振动信号的环境类型,输入为特征向量;采用同一环境类型的特征向量及其对应的信号类型构建信号训练样本集,标签为振动信号的信号类型,输入为同一环境类型的特征向量。
步骤3、建立分类模型,采用训练样本集完成分类模型的训练。
基于决策树算法建立分类模型,采用环境训练样本集和信号训练样本集分别对分类模型进行训练,得到环境分类子模型和信号分类子模型,其中,信号分类子模型为多个,且信号分类子模型与环境类型一一对应。
通常情况下,训练过程需要在算力较高的处理器上完成。此外,为了便于在低算力的处理器(如,下位机)上执行分类操作,本发明中将环境分类子模型和信号分类子模型转换为字符串进行保存,即将字符串形式的子模型存储在低算力的处理器上,例如,对于下位机而言可将字符串形式的子模型通过下位机编译软件进行烧录。具体转换过程为:首先使用键值对字典结构描述环境分类子模型和信号分类子模型,其中,字典结构如下所示:
{
左子树(leftChild):字典类型数据
节点属性(feature):整形数
节点数值(value):浮点数
右子树(rightChild):字典类型数据
}。
然后,按照从上到下深度优先的方式遍历该字典,并以字符串的形式保存,字符串的格式如下所示:
'leftChild':0.0,'featIndex':1,'value':2.8241361038396198,'rightChild':1.0,'featInde x':2,'value':46.39834662389451,'leftChild':1.0,'featIndex':4,'value':0.011542156187491135,'rightChild':0.0,'featIndex':4,'value':0.02027113104465544,......。
其中,“'leftChild':0.0,'featIndex':1,'value':2.8241361038396198”的含义为左子树的字典类型数据为0.0,该节点的节点属性值为1,节点存储的数值为2.8241361038396198。
步骤4、计算待分类振动信号的特征向量,将该特征向量输入到训练得到的环境分类子模型中,得到待分类振动信号的实际环境类型,再将该特征向量输入与该实际环境类型相对应的信号分类子模型中,得到待分类振动信号的信号类型。
采用下位机进行分类的过程,如图2所示,包括以下步骤:
步骤4.1、下位机读取字符串形式的分类模型,并将其还原成树状结构;
步骤4.2、下位机通过传感器获取待分类振动信号,并且采用步骤1中的方式对待分类振动信号进行切片处理,形成待处理的数据帧;当此次处理为第一次时,执行步骤4.3,否则,执行步骤4.4;
步骤4.3、计算待分类振动信号的特征向量,并将特征向量输入环境分类子模型中得到当前的环境类型;
步骤4.4、根据步骤4.3得到的环境类型选择对应的信号分类子模型,将特征向量输入该信号分类子模型中得到信号分类;
步骤4.5、下位机将得到的信号分类结果发送至上位机中。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种振动信号分类方法,其特征在于,包括以下步骤:
提取振动信号中与环境和信号相关的特征形成特征向量;采用所述特征向量及其对应的环境类型构建环境训练样本集,标签为振动信号的环境类型,输入为特征向量;采用同一环境类型的特征向量及其对应的信号类型构建信号训练样本集,标签为振动信号的信号类型,输入为同一环境类型的特征向量;
基于决策树算法建立分类模型,采用所述环境训练样本集和信号训练样本集分别对所述分类模型进行训练,得到环境分类子模型和信号分类子模型;所述信号分类子模型与环境类型一一对应;
分类应用中,将得到的待分类振动信号的特征向量输入到所述环境分类子模型中,得到待分类振动信号的实际环境类型,再将所述特征向量输入与所述实际环境类型相对应的信号分类子模型中,得到待分类振动信号的信号类型。
2.根据权利要求1所述的方法,其特征在于,所述特征向量的形成过程如下:首先,按照设定频率对所述振动信号采样得到采样数据,然后,对所述采样数据按照设定时长切片形成信号数据帧,最后,提取所述信号数据帧中与环境和信号相关的特征形成特征向量。
3.根据权利要求2所述的方法,其特征在于,所述设定时长t的取值范围为3s≤t≤4s。
4.根据权利要求2所述的方法,其特征在于,所述特征向量包括:所述信号数据帧的数据平方和、信号数据帧的鞘度、信号数据帧对应的频域信号的鞘度、信号数据帧中环境噪声的频率分布及信号数据帧中信号数据的频率分布。
5.根据权利要求2所述的方法,其特征在于,所述切片方式为滑动窗。
6.根据权利要求1所述的方法,其特征在于,在构建所述环境训练样本集和信号训练样本集之前,对所述振动信号进行预处理,具体过程为:当所述振动信号中环境噪声的幅值与信号数据的幅值之差小于阈值时,将信号数据扩大λ倍,其中,1.05≤λ≤1.1。
7.根据权利要求1所述的方法,其特征在于,首先将所述训练得到的环境分类子模型和信号分类子模型的代码采用键值对字典结构描述,然后将所述字典结构转换为字符串形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911411931.XA CN111079705B (zh) | 2019-12-31 | 2019-12-31 | 一种振动信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911411931.XA CN111079705B (zh) | 2019-12-31 | 2019-12-31 | 一种振动信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079705A true CN111079705A (zh) | 2020-04-28 |
CN111079705B CN111079705B (zh) | 2023-07-25 |
Family
ID=70321147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911411931.XA Active CN111079705B (zh) | 2019-12-31 | 2019-12-31 | 一种振动信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114760557A (zh) * | 2022-04-27 | 2022-07-15 | 歌尔股份有限公司 | 耳机状态调整方法、装置、电子设备及可读存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103643703A (zh) * | 2013-12-17 | 2014-03-19 | 中国矿业大学 | 水下砼浇筑标高智能监测装置及方法 |
CN105702251A (zh) * | 2016-04-20 | 2016-06-22 | 中国科学院自动化研究所 | 基于Top-k加强音频词袋模型的语音情感识别方法 |
KR20160109158A (ko) * | 2015-03-10 | 2016-09-21 | (주)대주기계 | 기계 강건도 모니터링 방법 |
CN106127135A (zh) * | 2016-06-21 | 2016-11-16 | 长江大学 | 一种陵区入侵振动信号特征提取与分类识别算法 |
WO2017036363A1 (zh) * | 2015-09-02 | 2017-03-09 | 同方威视技术股份有限公司 | 光纤周界入侵信号的识别方法、装置及周界入侵报警系统 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
US20170356936A1 (en) * | 2016-05-11 | 2017-12-14 | Mcmaster University | Enhanced system and method for conducting pca analysis on data signals |
CN107590516A (zh) * | 2017-09-16 | 2018-01-16 | 电子科技大学 | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 |
RU2654306C1 (ru) * | 2017-05-18 | 2018-05-17 | Анатолий Анатольевич Решетов | Способ контроля технического состояния машины |
CN108344574A (zh) * | 2018-04-28 | 2018-07-31 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
JP2018205292A (ja) * | 2017-06-05 | 2018-12-27 | 瀏陽 宋 | 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法 |
CN109344741A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学技术大学 | 一种基于振动信号的地形分类方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
CN110166631A (zh) * | 2019-06-28 | 2019-08-23 | 瑞声科技(新加坡)有限公司 | 一种马达振动方法、装置、系统及可读介质 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
-
2019
- 2019-12-31 CN CN201911411931.XA patent/CN111079705B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103643703A (zh) * | 2013-12-17 | 2014-03-19 | 中国矿业大学 | 水下砼浇筑标高智能监测装置及方法 |
KR20160109158A (ko) * | 2015-03-10 | 2016-09-21 | (주)대주기계 | 기계 강건도 모니터링 방법 |
WO2017036363A1 (zh) * | 2015-09-02 | 2017-03-09 | 同方威视技术股份有限公司 | 光纤周界入侵信号的识别方法、装置及周界入侵报警系统 |
CN105702251A (zh) * | 2016-04-20 | 2016-06-22 | 中国科学院自动化研究所 | 基于Top-k加强音频词袋模型的语音情感识别方法 |
US20170356936A1 (en) * | 2016-05-11 | 2017-12-14 | Mcmaster University | Enhanced system and method for conducting pca analysis on data signals |
CN106127135A (zh) * | 2016-06-21 | 2016-11-16 | 长江大学 | 一种陵区入侵振动信号特征提取与分类识别算法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
RU2654306C1 (ru) * | 2017-05-18 | 2018-05-17 | Анатолий Анатольевич Решетов | Способ контроля технического состояния машины |
JP2018205292A (ja) * | 2017-06-05 | 2018-12-27 | 瀏陽 宋 | 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法 |
CN107590516A (zh) * | 2017-09-16 | 2018-01-16 | 电子科技大学 | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 |
WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
CN108344574A (zh) * | 2018-04-28 | 2018-07-31 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109344741A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学技术大学 | 一种基于振动信号的地形分类方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110166631A (zh) * | 2019-06-28 | 2019-08-23 | 瑞声科技(新加坡)有限公司 | 一种马达振动方法、装置、系统及可读介质 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
K. M. ARUN KUMAR ET AL: "Vibration signal monitoring based on virtual instrumentation", 《2017 IEEE INTERNATIONAL CONFERENCE ON POWER, CONTROL, SIGNALS AND INSTRUMENTATION ENGINEERING (ICPCSI)》 * |
SHIJIA PAN ET AL: "SurfaceVibe: Vibration-Based Tap & Swipe Tracking on Ubiquitous Surfaces", 《2017 16TH ACM/IEEE INTERNATIONAL CONFERENCE ON INFORMATION PROCESSING IN SENSOR NETWORKS (IPSN)》 * |
刘刚等: "钻头钻进不同介质时的振动信号特征识别研究", 《振动与冲击》 * |
邹柏贤等: "光纤安防系统中振动信号的特征提取和识别", 《计算机研究与发展》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114760557A (zh) * | 2022-04-27 | 2022-07-15 | 歌尔股份有限公司 | 耳机状态调整方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111079705B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783100A (zh) | 基于图卷积网络对代码图表示学习的源代码漏洞检测方法 | |
KR100745976B1 (ko) | 음향 모델을 이용한 음성과 비음성의 구분 방법 및 장치 | |
CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
CN110633745A (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
CN110807314A (zh) | 文本情感分析模型训练方法、装置、设备及可读存储介质 | |
CN111461025B (zh) | 一种自主进化的零样本学习的信号识别方法 | |
JP4300098B2 (ja) | オブジェクト識別方法とその装置、プログラム及び記録媒体 | |
KR19990010210A (ko) | 대용량 패턴 정합 장치 및 방법 | |
CN105184260A (zh) | 一种图像特征提取方法及行人检测方法及装置 | |
CN111078546B (zh) | 一种表达页面特征的方法和电子设备 | |
CN110210041B (zh) | 互译句对齐方法、装置及设备 | |
CN107977980B (zh) | 一种目标跟踪方法、设备以及可读介质 | |
CN111079705B (zh) | 一种振动信号分类方法 | |
CN113673465A (zh) | 图像检测方法、装置、设备及可读存储介质 | |
CN113468345B (zh) | 基于知识图谱的实体共指检测数据处理系统 | |
CN115359296A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112765606A (zh) | 恶意代码同源性分析方法和装置及设备 | |
CN109215057B (zh) | 一种高性能视觉跟踪方法及装置 | |
CN113722431A (zh) | 命名实体关系识别方法、装置、电子设备及存储介质 | |
CN107391433B (zh) | 一种基于混合特征kde条件熵的特征选择方法 | |
CN116049414B (zh) | 基于话题描述的文本聚类方法、电子设备和存储介质 | |
CN117853875B (zh) | 一种细粒度图像识别方法及系统 | |
CN117576519B (zh) | 图像识别模型训练优化方法、装置、电子设备及存储介质 | |
CN117593755B (zh) | 一种基于骨架模型预训练的金文图像识别方法和系统 | |
KR102421027B1 (ko) | 화자 음성 분석 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |