CN111998936A - 一种基于迁移学习的设备异音检测方法及系统 - Google Patents

一种基于迁移学习的设备异音检测方法及系统 Download PDF

Info

Publication number
CN111998936A
CN111998936A CN202010864239.9A CN202010864239A CN111998936A CN 111998936 A CN111998936 A CN 111998936A CN 202010864239 A CN202010864239 A CN 202010864239A CN 111998936 A CN111998936 A CN 111998936A
Authority
CN
China
Prior art keywords
equipment
model
target
feature
audio
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
Application number
CN202010864239.9A
Other languages
English (en)
Other versions
CN111998936B (zh
Inventor
伍强
展华益
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202010864239.9A priority Critical patent/CN111998936B/zh
Publication of CN111998936A publication Critical patent/CN111998936A/zh
Application granted granted Critical
Publication of CN111998936B publication Critical patent/CN111998936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种基于迁移学习的设备异音检测方法及系统，所述方法包括从设备录音中的至少一段音频区域提取声学特征；使用源领域特征模型从声学特征中提取设备的声纹特征向量；使用目标领域分类模型分类设备的声纹特征向量，判断所述设备是否是异常设备。还公开了采用上述方法的系统。通过采用本发明提供的方法和系统，能够解决异常设备音频样本少甚至没有而导致的设备故障诊断系统鲁棒性差的问题，更好地实现了利用机器学习和人工智能技术来判断设备的运行状态。

Description

一种基于迁移学习的设备异音检测方法及系统
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于迁移学习的设备异音检测方法及系统。
背景技术
通过专业人员采用人工听音的方式来判断设备在运行时产生的声音是否异常，是一种常用的设备异常状态无损检测方法。然而，采用人工听音的方式需要培训专业的听音人员，同时人工听音有一定主观性，听音人员的判断能力会受到自身的情绪和身体状况等因素的影响。
随着故障诊断技术的发展，利用机器学习和人工智能技术来判读设备的运行状态已经成为了一种趋势。在现实场景中，故障设备的音频很难采集到，甚至无法采集到，这就导致故障设备的音频样本数量过少，不足以支撑机器学习和人工智能预测，进而使得故障诊断系统的鲁棒性差。
如何能够利用样本数量较少的故障设备音频进行模型训练，从而获得具有更好鲁棒性的设备故障诊断系统是一个亟待解决的问题。
发明内容
鉴于此，本发明提供了一种基于迁移学习的设备异音检测方法及系统，利用迁移学习可以把大数据领域习得的知识和方法迁移到数据较少的领域使用的特点，训练源领域特征模型和目标领域分类模型，解决了故障设备的音频样本数量过少的问题，提高了故障诊断系统的鲁棒性差。
本发明通过下述技术方案解决上述问题：一种基于迁移学习的设备异音检测方法，其特征在于，包括对获取的设备录音进行提取和判断的步骤，具体包括：
步骤S101，从所述的设备录音中的至少一段音频区域提取声学特征；
步骤S102，使用源领域特征模型从所述声学特征中提取设备的声纹特征向量；
步骤S103，使用目标领域分类模型分类所述设备的声纹特征向量，判断所述设备是否是异常设备。
优选地，所述声学特征包括梅尔频率倒谱系数和/或能量归一化倒谱系数。
优选地，所述源领域特征模型的源领域是和音频识别相关的领域。
优选地，所述源领域特征模型由深度神经网络构成，所述深度神经网络是卷积神经网络、递归神经网络和延时神经网络中的一种或者多种网络的组合。
优选地，所述源领域特征模型通过训练获得，包括如下步骤：
步骤S201，获取源领域的音频样本及其真实标签；
步骤S202，提取音频样本的声学特征；
步骤S203，将声学特征输入到源领域特征模型中，提取设备的声纹特征向量，并得到音频样本的预测标签；
步骤S204，比较音频样本的预测标签和真实标签，并得到源领域的预测误差Lorg；
步骤S205，判断是否达到设定的第一最大迭代次数或预测误差Lorg小于设定的第一最小误差，如果是，则训练结束，否者转到步骤S206中；
步骤S206，通过反向传播的方式更新源领域特征模型的参数，更新方式为：
Figure BDA0002649198060000021
其中ε是第一学习率，Worg是更新前的参数，Worg′是更新后的参数，再返回步骤S203。
优选地，所述目标领域分类模型包括有监督模型和无监督模型；在有异常设备音频的情形下，目标领域分类模型采用有监督模型，在无异常设备音频的情形下，目标领域分类模型采用无监督模型。
优选地，在采用有监督模型时，目标领域分类模型的训练过程包括以下步骤：
步骤S301：获取目标领域的设备音频样本及其真实标签；
步骤S302，提取音频样本的声学特征；
步骤S303，声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量；
步骤S304：将设备的声纹特征向量输入到目标领域分类模型中，得到音频样本的预测标签；
步骤S305，比较音频样本的预测标签和真实标签，得到目标领域的预测误差Ltarget_supervision；
步骤S306，判断是否达到设定的第二最大迭代次数或预测误差Ltarget_supervision小于设定的第二最小误差，如果是，则训练结束，否者转到步骤S307中；
步骤S307，通过反向传播的方式更新目标领域分类模型的权重参数：
Figure BDA0002649198060000031
其中，β是第二学习率,Wtarget_supervision′是更新后的权重参数，Wtarget_supervision是更新前的权重参数，再执行步骤S308；
步骤S308，通过反向传播的方式更新源领域特征模型的参数：
Figure BDA0002649198060000041
其中ε是第一学习率，Worg是更新前的参数，Worg′是更新后的参数，再返回步骤S303。
优选地，在采用无监督模型时，目标领域分类模型的训练过程包括以下步骤：
步骤S401：获取目标领域的设备音频样本；
步骤S402：提取音频样本的声学特征；
步骤S403：声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量；
步骤S404：采用无监督方法对S403的声纹特征向量进行建模，得到目标领域分类模型。
优选地，所述无监督模型是孤立森林、单类混合高斯模型、单类支持向量机或深度自编码器；所述有监督模型是多层感知机、多类支持向量机或多类混合高斯模型。
本发明还提供了一种基于迁移学习的设备异音检测系统，其特征在于，采用前述的方法，包括声学特征提取模块、声纹特征向量提取模块、设备状态分类模块以及模型训练组件；所述声学特征提取模块用于提取设备音频中至少一段音频区域的声学特征；所述声纹特征向量提取模块从所述声学特征提取模块提取的声学特征中提取设备声纹特征向量；所述设备状态分类模块对所述声纹特征向量提取模块提取的声纹特征向量分类，判断设备是否是异常设备；所述模型训练组件用于训练源领域特征模型和目标领域分类模型。
本发明的有益效果是：通过迁移学习的机制，使用源领域的大量样本进行模型训练，解决了目标领域异常设备音频样本少的问题。提升了设备故障诊断系统的鲁棒性，更好地实现了利用机器学习和人工智能技术来判断设备的运行状态。
附图说明
图1为本发明提供的基于迁移学习的设备异音检测方法的流程图；
图2为本发明提供的训练源领域特征模型的流程图；
图3为本发明提供的训练有监督的目标领域分类模型的流程图；
图4为本发明提供的训练无监督的目标领域分类模型的流程图；
图5为本发明提供的基于迁移学习的设备异音检测系统的系统框图。
具体实施方式
本发明提供了一种基于迁移学习的设备异音检测方法及系统，能够高效且准确地判断设备是否出现异常。下面结合附图和具体实施例对本发明作进一步的详细说明。应当理解的是，此处所描述的具体实施例仅仅是本发明的部分实施例，用于让本领域的技术人员对本发明的技术方案有更完整和准确理解。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
迁移学习是一种可以将计算机在大数据领域习得的知识和方法迁移到数据较少领域的机器学习过程，其能够利用数据、任务、或模型之间的相似性，将在源领域学习过的模型，应用于目标领域。针对故障设备的音频难采集、样本数量少导致故障诊断系统的鲁棒性差的技术问题，本实施例提出了一种基于迁移学习的设备异音检测方法，图1示出了该方法的流程图，包括对获取的设备录音进行提取和判断的步骤，具体包括：
步骤S101，从所述的设备录音中的至少一段音频区域提取声学特征。所述声学特征包括但不限于梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)和/或能量归一化倒谱系数(Power-normalized Cepstral Coefficients，PNCC)。
步骤S102，使用源领域特征模型从所述声学特征中提取设备的声纹特征向量。
步骤S103，使用目标领域分类模型分类所述设备的声纹特征向量，判断所述设备是否是异常设备。
在本实施例中，源领域指和音频识别相关的领域，包括但不仅限于音频标记、声学场景分类、声音事件检测或者说话人识别。设备的声纹特征向量是通过源领域特征模型提取。源领域特征模型由深度神经网络构成，所述深度神经网络包括但不限于卷积神经网络(CNN)、递归神经网络(RNN、LSTM、GRU)和延时神经网络(TDNN)中的一种或者多种网络的组合。
在另一实施例中，展示了在基于迁移学习的设备异音检测方法中，训练源领域特征模型的具体步骤，其流程图如图2所示，具体包括以下步骤：
步骤S201，获取源领域的音频样本及其真实标签。
步骤S202，提取音频样本的声学特征。
步骤S203，将声学特征输入到源领域特征模型中，提取设备的声纹特征向量，并得到音频样本的预测标签。
步骤S204，比较音频样本的预测标签和真实标签，并得到源领域的预测误差Lorg。
步骤S205，判断是否达到设定的第一最大迭代次数或预测误差Lorg小于设定的第一最小误差，如果是，则训练结束，否者转到步骤S206中。
步骤S206，通过反向传播的方式更新源领域特征模型的参数，更新方式为：
Figure BDA0002649198060000071
其中ε是第一学习率，Worg是更新前的参数，Worg′是更新后的参数，再返回步骤S203。
在又一实施例中，展示了在基于迁移学习的设备异音检测方法中，训练目标领域分类模型的具体步骤。目标领域分类模型包括有监督模型和无监督模型，有监督模型用于存在异常设备音频，无监督模型用于无异常设备音频。在无异常设备音频的情形下，目标领域分类模型采用无监督模型，包括但不限于孤立森林、单类混合高斯模型、单类支持向量机或深度自编码器；在有异常设备音频的情形下，目标领域分类模型采用有监督模型，包括但不限于多层感知机、多类支持向量机或者多类混合高斯模型。源领域特征模型在目标领域分类模型的训练中，根据是否有监督，模型参数可以微调也可以保持不变。具体的，在有监督时，训练目标领域分类模型的流程图如图3所示，具体包括以下步骤：
步骤S301：获取目标领域的设备音频样本及其真实标签。
步骤S302，提取音频样本的声学特征。
步骤S303，声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量。
步骤S304：将设备的声纹特征向量输入到目标领域分类模型中，得到音频样本的预测标签；
步骤S305，比较音频样本的预测标签和真实标签，得到目标领域的预测误差Ltarget_supervision；
步骤S306，判断是否达到设定的第二最大迭代次数或预测误差Ltarget_supervision小于设定的第二最小误差，如果是，则训练结束，否者转到步骤S307中。
步骤S307，通过反向传播的方式更新目标领域分类模型的权重参数：
Figure BDA0002649198060000081
其中，β是第二学习率,Wtarget_supervision′是更新后的权重参数，Wtarget_supervision是更新前的权重参数，再执行步骤S308。
步骤S308，通过反向传播的方式更新源领域特征模型的参数：
Figure BDA0002649198060000082
其中ε是第一学习率，Worg是更新前的参数，Worg′是更新后的参数，再返回步骤S303。如果ε＝0，表示源领域特征模型的参数不更新。
在无监督时，训练目标领域分类模型的流程图如图4所示，具体包括以下步骤：
步骤S401：获取目标领域的设备音频样本。
步骤S402：提取音频样本的声学特征。
步骤S403：声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量。
步骤S404：采用无监督方法对S403的声纹特征向量进行建模，得到目标领域分类模型。
在又一实施例中，还提出了一种基于迁移学习的设备异音检测系统，图5示例性地展示了该系统的组成模块。该系统包括声学特征提取模块501、声纹特征向量提取模块502、设备状态分类模块503以及模型训练组件504。
声学特征提取模块501用于提取设备音频中至少一段音频区域的声学特征；
声纹特征向量提取模块502从声学特征提取模块501提取的声学特征中提取设备声纹特征向量；
设备状态分类模块503对声纹特征向量提取模块502提取的声纹特征向量分类，判断设备是否是异常设备。
模型训练组件504用于训练源领域特征模型和目标领域分类模型，源领域特征模型为监督深度神经网络模型，设备状态分类模块503包含有监督和无监督的目标领域分类模型。
通过本发明提供的基于迁移学习的设备异音检测方法和系统，能够解决异常设备音频样本少甚至没有而导致的设备故障诊断系统鲁棒性差的问题，更好地实现了利用机器学习和人工智能技术来判断设备的运行状态。
本领域的普通技术人员会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于迁移学习的设备异音检测方法，其特征在于，包括对获取的设备录音进行提取和判断的步骤，具体包括：
步骤S101，从所述的设备录音中的至少一段音频区域提取声学特征；
步骤S102，使用源领域特征模型从所述声学特征中提取设备的声纹特征向量；
步骤S103，使用目标领域分类模型分类所述设备的声纹特征向量，判断所述设备是否是异常设备。
2.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述声学特征包括梅尔频率倒谱系数和/或能量归一化倒谱系数。
3.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述源领域特征模型的源领域是和音频识别相关的领域。
4.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述源领域特征模型由深度神经网络构成，所述深度神经网络是卷积神经网络、递归神经网络和延时神经网络中的一种或者多种网络的组合。
5.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述源领域特征模型通过训练获得，包括如下步骤：
步骤S201，获取源领域的音频样本及其真实标签；
步骤S202，提取音频样本的声学特征；
步骤S203，将声学特征输入到源领域特征模型中，提取设备的声纹特征向量，并得到音频样本的预测标签；
步骤S204，比较音频样本的预测标签和真实标签，并得到源领域的预测误差Lorg；
步骤S205，判断是否达到设定的第一最大迭代次数或预测误差Lorg小于设定的第一最小误差，如果是，则训练结束，否者转到步骤S206中；
步骤S206，通过反向传播的方式更新源领域特征模型的参数，更新方式为：
Figure FDA0002649198050000021
其中ε是第一学习率，Worg是更新前的参数，Worg′是更新后的参数，再返回步骤S203。
6.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述目标领域分类模型包括有监督模型和无监督模型；在有异常设备音频的情形下，目标领域分类模型采用有监督模型，在无异常设备音频的情形下，目标领域分类模型采用无监督模型。
7.根据权利要求6所述的一种基于迁移学习的设备异音检测方法，其特征在于，在采用有监督模型时，目标领域分类模型的训练过程包括以下步骤：
步骤S301：获取目标领域的设备音频样本及其真实标签；
步骤S302，提取音频样本的声学特征；
步骤S303，声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量；
步骤S304：将设备的声纹特征向量输入到目标领域分类模型中，得到音频样本的预测标签；
步骤S305，比较音频样本的预测标签和真实标签，得到目标领域的预测误差Ltarget_supervision；
步骤S306，判断是否达到设定的第二最大迭代次数或预测误差Ltarget_supervision小于设定的第二最小误差，如果是，则训练结束，否者转到步骤S307中；
步骤S307，通过反向传播的方式更新目标领域分类模型的权重参数：
Figure FDA0002649198050000031
其中，β是第二学习率，Wtarget_supervision′是更新后的权重参数，Wtarget_supervision是更新前的权重参数，再执行步骤S308；
步骤S308，通过反向传播的方式更新源领域特征模型的参数：
Figure FDA0002649198050000032
其中ε是第一学习率，Worg是更新前的参数，Worg′是更新后的参数，再返回步骤S303。
8.根据权利要求6所述的一种基于迁移学习的设备异音检测方法，其特征在于，在采用无监督模型时，目标领域分类模型的训练过程包括以下步骤：
步骤S401：获取目标领域的设备音频样本；
步骤S402：提取音频样本的声学特征；
步骤S403：声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量；
步骤S404：采用无监督方法对S403的声纹特征向量进行建模，得到目标领域分类模型。
9.根据权利要求6所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述无监督模型是孤立森林、单类混合高斯模型、单类支持向量机或深度自编码器；所述有监督模型是多层感知机、多类支持向量机或多类混合高斯模型。
10.一种基于迁移学习的设备异音检测系统，其特征在于，采用如权利要求1-9之一所述方法，包括声学特征提取模块、声纹特征向量提取模块、设备状态分类模块以及模型训练组件；所述声学特征提取模块用于提取设备音频中至少一段音频区域的声学特征；所述声纹特征向量提取模块从所述声学特征提取模块提取的声学特征中提取设备声纹特征向量；所述设备状态分类模块对所述声纹特征向量提取模块提取的声纹特征向量分类，判断设备是否是异常设备；所述模型训练组件用于训练源领域特征模型和目标领域分类模型。
CN202010864239.9A 2020-08-25 2020-08-25 一种基于迁移学习的设备异音检测方法及系统 Active CN111998936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010864239.9A CN111998936B (zh) 2020-08-25 2020-08-25 一种基于迁移学习的设备异音检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010864239.9A CN111998936B (zh) 2020-08-25 2020-08-25 一种基于迁移学习的设备异音检测方法及系统

Publications (2)

Publication Number Publication Date
CN111998936A true CN111998936A (zh) 2020-11-27
CN111998936B CN111998936B (zh) 2022-04-15

Family

ID=73471531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010864239.9A Active CN111998936B (zh) 2020-08-25 2020-08-25 一种基于迁移学习的设备异音检测方法及系统

Country Status (1)

Country Link
CN (1) CN111998936B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392881A (zh) * 2021-05-27 2021-09-14 重庆大学 一种基于迁移学习的旋转机械故障诊断方法
CN117316184A (zh) * 2023-12-01 2023-12-29 常州分音塔科技有限公司 一种基于音频信号的事件检测反馈处理系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235143A1 (en) * 2003-12-30 2015-08-20 Kantrack Llc Transfer Learning For Predictive Model Development
US20160238438A1 (en) * 2013-05-01 2016-08-18 National Ict Australia Limited Determining a health condition of a structure
CN106469560A (zh) * 2016-07-27 2017-03-01 江苏大学 一种基于无监督域适应的语音情感识别方法
CN107909101A (zh) * 2017-11-10 2018-04-13 清华大学 基于卷积神经网络的半监督迁移学习字符识别方法及系统
CN108537168A (zh) * 2018-04-09 2018-09-14 云南大学 基于迁移学习技术的面部表情识别方法
CN108613802A (zh) * 2018-05-10 2018-10-02 重庆大学 一种基于深度混合网络结构的机械故障诊断方法
CN108806718A (zh) * 2018-06-06 2018-11-13 华中师范大学 基于对enf相位谱和瞬时频率谱分析的音频鉴定方法
CN109284662A (zh) * 2018-07-12 2019-01-29 哈尔滨工程大学 一种面向水下声音信号分类的迁移学习方法
CN109376620A (zh) * 2018-09-30 2019-02-22 华北电力大学 一种风电机组齿轮箱故障的迁移诊断方法
CN109783644A (zh) * 2019-01-18 2019-05-21 福州大学 一种基于文本表示学习的跨领域情感分类系统及方法
JP2019095600A (ja) * 2017-11-22 2019-06-20 日本電信電話株式会社 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム
CN109947086A (zh) * 2019-04-11 2019-06-28 清华大学 基于对抗学习的机械故障迁移诊断方法及系统
KR102025652B1 (ko) * 2019-01-21 2019-09-27 휴멜로 주식회사 사운드 이벤트 탐지 모델 학습 방법
CN110580496A (zh) * 2019-07-11 2019-12-17 南京邮电大学 一种基于熵最小化的深度迁移学习系统及方法
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统
CN111340133A (zh) * 2020-03-10 2020-06-26 四川长虹电器股份有限公司 一种基于深度卷积神经网络的图像分类处理方法
KR20200090601A (ko) * 2019-09-20 2020-07-29 휴멜로 주식회사 사운드 이벤트 탐지 모델 학습 방법

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235143A1 (en) * 2003-12-30 2015-08-20 Kantrack Llc Transfer Learning For Predictive Model Development
US20160238438A1 (en) * 2013-05-01 2016-08-18 National Ict Australia Limited Determining a health condition of a structure
CN106469560A (zh) * 2016-07-27 2017-03-01 江苏大学 一种基于无监督域适应的语音情感识别方法
CN107909101A (zh) * 2017-11-10 2018-04-13 清华大学 基于卷积神经网络的半监督迁移学习字符识别方法及系统
JP2019095600A (ja) * 2017-11-22 2019-06-20 日本電信電話株式会社 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム
CN108537168A (zh) * 2018-04-09 2018-09-14 云南大学 基于迁移学习技术的面部表情识别方法
CN108613802A (zh) * 2018-05-10 2018-10-02 重庆大学 一种基于深度混合网络结构的机械故障诊断方法
CN108806718A (zh) * 2018-06-06 2018-11-13 华中师范大学 基于对enf相位谱和瞬时频率谱分析的音频鉴定方法
CN109284662A (zh) * 2018-07-12 2019-01-29 哈尔滨工程大学 一种面向水下声音信号分类的迁移学习方法
CN109376620A (zh) * 2018-09-30 2019-02-22 华北电力大学 一种风电机组齿轮箱故障的迁移诊断方法
CN109783644A (zh) * 2019-01-18 2019-05-21 福州大学 一种基于文本表示学习的跨领域情感分类系统及方法
KR102025652B1 (ko) * 2019-01-21 2019-09-27 휴멜로 주식회사 사운드 이벤트 탐지 모델 학습 방법
CN109947086A (zh) * 2019-04-11 2019-06-28 清华大学 基于对抗学习的机械故障迁移诊断方法及系统
CN110580496A (zh) * 2019-07-11 2019-12-17 南京邮电大学 一种基于熵最小化的深度迁移学习系统及方法
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统
KR20200090601A (ko) * 2019-09-20 2020-07-29 휴멜로 주식회사 사운드 이벤트 탐지 모델 학습 방법
CN111340133A (zh) * 2020-03-10 2020-06-26 四川长虹电器股份有限公司 一种基于深度卷积神经网络的图像分类处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于洋 等: "基于 TL-LSTM 的轴承故障声发射信号识别研究", 《仪器仪表学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392881A (zh) * 2021-05-27 2021-09-14 重庆大学 一种基于迁移学习的旋转机械故障诊断方法
CN113392881B (zh) * 2021-05-27 2023-04-18 重庆大学 一种基于迁移学习的旋转机械故障诊断方法
CN117316184A (zh) * 2023-12-01 2023-12-29 常州分音塔科技有限公司 一种基于音频信号的事件检测反馈处理系统
CN117316184B (zh) * 2023-12-01 2024-02-09 常州分音塔科技有限公司 一种基于音频信号的事件检测反馈处理系统

Also Published As

Publication number Publication date
CN111998936B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
WO2021143327A1 (zh) 语音识别方法、装置和计算机可读存储介质
CN106104674B (zh) 混合语音识别
CN106710599A (zh) 一种基于深度神经网络的特定声源检测方法与系统
CN110310647B (zh) 一种语音身份特征提取器、分类器训练方法及相关设备
CN108364662B (zh) 基于成对鉴别任务的语音情感识别方法与系统
CN111998936B (zh) 一种基于迁移学习的设备异音检测方法及系统
CN112949708B (zh) 情绪识别方法、装置、计算机设备和存储介质
Milde et al. Unspeech: Unsupervised speech context embeddings
Ntalampiras A novel holistic modeling approach for generalized sound recognition
CN113628612A (zh) 语音识别方法、装置、电子设备及计算机可读存储介质
CN111477219A (zh) 关键词区分方法、装置、电子设备和可读存储介质
Schlotterbeck et al. What classroom audio tells about teaching: a cost-effective approach for detection of teaching practices using spectral audio features
Salekin et al. Distant emotion recognition
Hou et al. Domain adversarial training for speech enhancement
Chen et al. Unsupervised noise adaptation using data simulation
Shah et al. Speaker recognition in realistic scenario using multimodal data
CN111833842B (zh) 合成音模板发现方法、装置以及设备
KR20200018154A (ko) 브이에이이 모델 기반의 반지도 학습을 이용한 음향 정보 인식 방법 및 시스템
Koolagudi et al. Recognition of emotions from speech using excitation source features
CN115547345A (zh) 声纹识别模型训练及相关识别方法、电子设备和存储介质
Zhang et al. End-to-end overlapped speech detection and speaker counting with raw waveform
Calık et al. An ensemble-based framework for mispronunciation detection of Arabic phonemes
Nemati et al. RETRACTED CHAPTER: A Novel Text-Independent Speaker Verification System Using Ant Colony Optimization Algorithm
CN114547264A (zh) 一种基于马氏距离和对比学习的新意图数据识别方法
Fook et al. Malay speech recognition in normal and noise condition

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