CN112560674B - 一种声音信号质量的检测方法及系统 - Google Patents
一种声音信号质量的检测方法及系统 Download PDFInfo
- Publication number
- CN112560674B CN112560674B CN202011478566.7A CN202011478566A CN112560674B CN 112560674 B CN112560674 B CN 112560674B CN 202011478566 A CN202011478566 A CN 202011478566A CN 112560674 B CN112560674 B CN 112560674B
- Authority
- CN
- China
- Prior art keywords
- data
- sound signal
- training
- quality
- sound
- 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.)
- Active
Links
- 230000005236 sound signal Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000010408 sweeping Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请涉及一种声音信号质量的检测方法及系统，采用基于卷积神经网络的自编码器模型，其对于后验概率建模，从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度。本申请针对声音信号中可能包含的不同类型噪声干扰或声音信号本身的质量缺陷有端到端的检测算法，对混合噪声干扰识别效果很好；本申请无需积累噪声样本或信号质量不佳的样本，仅需部分无噪声的优质信号样本即可训练模型，节省大量的人工标注时间，在工程实施中能够更快上线部署。
Description
技术领域
本申请涉及一种声音信号质量的检测方法及系统，适用于声音信号处理的技术领域。
背景技术
通过对音频采集分析进行机电设备结构损伤的预测性维护对于声音信号的质量要求较高，很多基于声音的异常检测方法都是基于较纯净的设备声音进行的。但是上述方法都依赖质量较佳的纯净数据，一旦数据受到较大干扰则所用方法都会失效。若出现信号中不存在扫风声音、扫风声音弱或者扫风声音被其他噪声“淹没”等情况，则后续的诊断算法会被极大干扰，造成诊断失灵或诊断结果可信度下降。而通常机电设备所处的运行环境和采集条件的限制又使得声音信号质量很容易受到影响。目前针对声音信号进行故障诊断的方法，往往都建立在良好的实验条件下，并未过多地对输入信号的质量进行评估、检测并进而对输入信号进行筛选，难以保证后续异常检测和诊断算法得到有效可信的输入。
对混合噪声干扰下声音的信号质量评估的意义在于，由于声音采集的环境难以控制，采集到的声音信号很容易受到各类噪声的影响；同时，声音采集装置也会因外部干扰出现采集故障，影响最终输出的声音信号质量。机电设备的结构损伤体现在声音信号中的表征往往比较微弱，如果信号质量受到干扰很容易造成错误判断，而正是由于异常诊断对灵敏度的要求，对噪声信号并不适用一些常见的噪声去除方法，很容易造成故障表征的失效。为了避免因数据质量不佳导致的错误分析以及不影响故障的判断，对声音的噪声水平和信号质量的检测和筛选则显得尤为重要。
另外，由于机电设备所处的运行环境通常较为复杂，可能受到来自于运行环境噪声或电磁噪声等多方面的干扰，或者由于本身运行工况的变化导致声音形态出现变化。在这种混合干扰存在的条件下，由于对噪声信号先验知识的获取非常困难，这对音频信号的噪声分析带来了更复杂的挑战。传统的噪声分析和处理需要确定纯净信号和噪声信号，基于有监督的方式训练噪声识别模型或降噪模型，但是在机电设备的音频信号中更需要一种无监督式的噪声成分检测的方法，可以在无需收集庞杂的噪声信号的条件下构建模型，达到对待测试声音信号质量检测的目的。
目前并不存在针对于机械设备声音的质量检测方法和系统，目前的噪声检测主要适用于语音、乐曲等领域，并且以有监督的形式为主。例如：
申请号为201610394777.X的中国专利通过多个移动终端下发声音数据采集并上报，接收移动终端上报的各自采集的声音数据和当前加速度数据，利用秩和比算法评估所述n个移动终端所上报的声音数据的质量。申请号为201921005068.3的中国专利将待检测的噪声信号转换为电信号，进行阻抗匹配和整流来判断噪声大小。这类方法从物理角度进行声音质量评估，依赖硬件条件，较为复杂，成本较高。
申请号为201711420115.6的中国专利通过准备音频和噪声的正负样本，进行特征提取训练SVM分类器来判断是否存在噪声。申请号为201910984616.X的中国专利通过对比待测声音和目标声音的相似度来判断数据质量好坏。这类方法依赖于训练数据的标注，无法涵盖大量的未知混合噪声。
申请号为200910071941.3的中国专利，通过建模转换到时频域，在时频域对脉冲噪声的形态进行过滤和剔除；申请号为201911107575.2的中国专利通过小波分解得到音频帧信号为瞬态噪声的概率。这类方法仅针对一种类型噪声，而且要求信号的形态基本保持一致，难以做到应用于实际的复杂场景。
对于机电设备的运行声音来说，由于复杂工况的变化，本身的形态会发生比较大的差异，因此很难通过预先建立样本库进行标注、训练和比对来评估数据质量；同时由于所处环境复杂，受到的干扰，噪声的形态也会出现很多样的变化。再加上大量数据很难进行分类标注，导致对声音信号的数据质量检测很难通过有监督的方式进行筛选或去噪。
发明内容
本发明的目的是设计一种声音信号质量的检测方法及系统，无需收集噪声数据即可以无监督的方式进行准确的声音信号质量检测。
根据本申请的声音信号质量的检测方法，包括对声音样本进行训练和对测试数据进行判断两个步骤；
其中，对声音样本进行训练包括以下步骤：
(1.1)积累正常无噪声声音样本作为训练数据，其余无噪声样本作为验证集；
(1.2)对训练数据中的每个样本，进行变换得到谱图矩阵S；
(1.3)对谱图矩阵S进行变换得到能量谱矩阵S′；
(1.4)设定频率维度长度，使得时间维度长度大于频率维度长度；
(1.5)将时间维度长度降维至频率维度长度，形成方阵Sx；
(1.6)对所有训练数据进行处理，构成训练集
(1.7)记录训练集数据的全局均值和标准差；
(1.8)构建自编码器模型进行模型训练，以最小化归一化均方根误差为目标选择优化方式，训练完毕后保存模型；
(1.9)对验证集的数据进行上述特征提取和归一化处理，利用训练好的自编码器模型进行预测；
(1.10)对所有验证集数据的预测结果进行重构误差计算，得到误差阈值α；
对测试数据进行判断包括以下步骤：
(2.1)对任意测试数据x进行上述步骤(1.1)-(1.6)的操作；
(2.2)根据训练集的全局均值和标准差对测试数据进行归一化操作；
(2.3)输入训练好的自编码器模型进行预测，得到重构样本
(2.4)计算x与之间的重构误差ε，与误差阈值α进行比较，判断声音信号的质量。
优选地，在步骤(2.4)后，进行以下步骤：对误差ε进行归一化操作，若低于阈值α则最终输出为0，对高于阈值α的值归一化至(0,1]之间作为最终的数据质量因子输出。
优选地，两个矩阵S,S′的大小由短时傅里叶变换的频率分辨率参数决定其频率维度长度，由短时傅里叶变换的参数和原始声音信号时长共同决定其时间维度长度。
优选地，所述自编码器模型为基于卷积神经网络的自编码器模型，所述自编码器模型中卷积核的数量由小至大，解码器中卷积核数量对称减少。
本申请还涉及一种声音信号质量的检测系统，包括一种基于卷积神经网络的自编码器模型，所述自编码器模型用于执行如上所述的检测方法。
本申请从对混合噪声的信号分析处理算法角度进行对声音信号质量的检测、评估和把控；对受到混合噪声干扰的信号通过端到端的一体化建模进行分析，无需收集噪声数据即可以无监督的方式形成准确的声音信号质量检测系统，为后续的诊断分析提供可靠输入。
附图说明
图1是本申请的声音信号质量的检测方法的流程示意图。
图2是本申请实施例中声音信号经过时频域转换后的可视化谱图。
图3是本申请实施例中对三组数据分别进行降维压缩后的形态图。
图4是本申请实施例中将正常样本输入到训练好的自编码器模型中的重构效果图。
图5是本申请实施例中将异常样本输入到训练好的自编码器模型中的重构效果图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本申请技术方案的模型部分采用基于卷积神经网络的自编码器模型，主要特点为：其对于后验概率建模，从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度。主要优点在于：所携带的信息要比传统模型丰富，并且在研究单类问题时的灵活性更强，模型可以通过增量学习得到，并且能适用于数据不完整的情况。因此，由于其对输入数据概率分布的准确描述而带来了更好的泛化性，对未出现过的样本有更好的检测能力，使其更加适用于异常检测领域。
本申请采用的自编码器是一种无监督式学习模型，使用了一个神经网络来产生一个高维输入的低维表示，是一种利用反向传播算法使得输出值等于输入值的神经网络，它先将输入压缩成潜在空间表征，然后将这种表征重构为输出。自编码器通过重构输入数据来表示多个隐藏层中的数据，从而有效地学习一个恒等函数。在异常检测应用中，当自编码器仅针对正常数据输入进行训练时，无法重构异常数据样本，从而产生很大的重构误差，进而产生高残差的数据样本被认为是异常数据。由于声音信号的特殊性，在处理时经常以通过时频域转换后得到的能量谱作为输入，对二维信号来说，全连接层会损失空间信息。通过卷积操作，卷积自编码器能很好地保留二维信号的空间信息。因此，本方法在实际操作中采用了卷积结构的自编码器，可以充分利用局部感知的特性对时间和频率两个维度的特征进行提取和学习。
本申请采用的编码器结构如下：编码器的主体结构由二维卷积层和二维最大池化层构成，其中每个卷积层是由n个卷积核组成的，每个卷积核的深度是D，其中D表示输入数据的通道数。因此，每个具有深度D的输入数据I＝{I1,…,ID}和一组n个卷积核{F1 (1),…,Fn (1)}之间进行的卷积操作，从而产生一组n个激活图，或者等价的特征图如下：
为了提高网络的泛化能力，每个卷积都会被非线性函数a激活，本方法中除解码器的输出层之外，所有的非线性激活函数均采用LeakyReLU激活函数，以这种方式训练，得到的网络可以学习输入数据的一些非线性特性：
其中，表示第m个特征图的偏差，所产生的激活图是对输入数据I的重新编码，使其可以在低维空间表示，同时使用输入填充来避免卷积操作对输出维度大小的影响。最终对上面生成的特征图进行池化操作，并保留池化时的位置关系矩阵，方便后续反池化的操作。
本申请采用的解码器结构如下：解码器由和编码器所对应的二维反卷积层和二维上采样层构成。其中，由编码器输出所产生的n个特征图zm＝1,…,n将被用作解码器的输入，以便从该压缩的信息中重建输入图像I。对上面生成的特征图进行反池化操作，根据保留池化时位置关系的矩阵，将数据还原到原始大小的矩阵的相应位置。此时重构的图像是特征图的维度Z＝{zi＝1}n和该卷积滤波器F(2)之间进行卷积的结果。
优化目标是使得输入的维度等于输出的维度，然后可以选择合适的损失函数来进行梯度下降优化，通过反向传播沿着梯度的负方向逐步最小化损失函数。在测试阶段，将待测数据x输入到训练好的编码器中，根据模型输出和x之间的差异来作为测试数据是否为异常的评价指标，输出的/>和x之间的差异即为重构误差。这里的重构误差可以选择和模型训练时使用的损失函数相同的指标，也可以根据测试阶段的实际检测效果进行不同指标的搭配。在本方法中，模型训练阶段的损失函数和最终测试阶段的重构误差函数均选择了归一化均方根误差，给定两个影像矩阵x[m,n]和y[m,n]，其归一化均方根误差可定义为：
此数值用来作为测量信号之间结构相似度的评估工具，通过比例的形式表示。当比例的值较低时，代表较少的残差变异，因此可以使用0-1之间的值来表示重构误差的大小，即待测样本是否为异常样本的概率。
根据本申请的声音信号质量的检测方法，如图1所示，包括对声音样本进行训练和对测试数据进行判断两个步骤，其中对声音样本进行训练包括以下步骤：
(1.1)积累一定量的正常无噪声声音样本作为训练数据，其余无噪声样本作为验证集；
(1.2)对训练数据中的每个样本，进行短时傅里叶变换得到其复数形式的谱图矩阵S；
(1.3)对谱图矩阵S进行对数变换得到能量谱矩阵S′；
其中，两个矩阵S,S′的大小由短时傅里叶变换的频率分辨率参数决定其频率维度长度，由短时傅里叶变换的参数和原始声音信号时长共同决定其时间维度长度；分辨率越大，结果越精确，但对运算能力的要求就越高，也即维度长度越大，计算过程越慢，因此频率维度长度的选择是一般是通过平衡分辨率和模型的运算效率来确定；
(1.4)将频率维度长度固定设置为某一长度，例如256，使得时间维度长度大于频率维度长度；
(1.5)使用主成分分析法(PCA)将时间维度长度降维至频率维度长度，形成方阵Sx；
(1.6)对所有训练数据进行处理，构成训练集其中每个样本尺寸例如均为256×256；
(1.7)记录训练集数据的全局均值和标准差以便后续进行归一化处理；
(1.8)构建自编码器模型，模型深度例如为5+5，编码器中卷积核的数量由小至大，解码器中卷积核数量对称减少；此处模型的深度是指卷积层的个数，即编码器与解码器各由5层卷积层、池化层及相关结构组成；
(1.9)进行模型训练，以最小化归一化均方根误差为目标选择优化方式，训练完毕后保存模型，本方法使用带正则化的Adam优化方法；
(1.10)对验证集的数据进行上述特征提取和归一化处理，利用训练好的自编码器模型进行预测；
(1.11)对所有验证集数据的预测结果进行重构误差计算，得到误差阈值α；
对测试数据进行判断包括以下步骤：
(2.1)对任意测试数据x进行上述步骤(1.1)-(1.6)的操作，得到例如256×256的特征矩阵；
(2.2)根据训练集的全局均值和标准差对测试数据进行归一化操作；
(2.3)输入训练好的自编码器模型进行预测，得到重构样本
(2.4)计算x与之间的重构误差ε，与误差阈值α进行比较；
(2.5)若误差ε大于阈值α，则代表此时数据为受到噪声干扰的数据，其干扰严重程度由ε相较于α的偏离程度决定，偏离越大则数据质量越差；
(2.6)对误差ε进行归一化操作，若低于阈值α则最终输出为0，对高于阈值α的值归一化至(0,1]之间作为最终的数据质量因子输出。
实施例
本实施例以风电机组叶片扫风声音为例，通过建模分析确定待测试声音样本信号质量。
训练集和验证集数据均为数据质量较好的叶片扫风声音信号，长度为1分钟，经过时频域转换后可视化如图2所示。然后，收集另外两组数据质量异常或有噪声干扰的数据，对三组数据进行沿时域维度方向的PCA降维，压缩至256×256，对比形态差异如图3所示。图3中可以发现正常数据和异常数据在形态上存在着肉眼可见的差异，将正常数据组成的训练集输入自编码器结构进行训练得到判别模型。对待测试数据(包括一组正常数据和一组异常数据)进行同样的特征变换和归一化处理后输入到训练好的自编码器模型中进行重构，重构效果分别展示如图4和图5所示。如图4所示，对于无噪声的正常数据，重构效果基本和输入数据一致，此时以NRMSE为标准计算的重构误差为0.207，经过验证集数据的重构误差得到阈值为0.25。对另外一组异常样本，其重构效果如图5所示，可以发现其重构误差在0.695，超过了判别阈值0.25，此时这组数据可以被识别为数据质量不佳的样本，可以被筛除。
本申请针对声音信号中可能包含的不同类型噪声干扰或声音信号本身的质量缺陷有端到端的检测算法，对混合噪声干扰识别效果很好；本申请无需积累噪声样本或信号质量不佳的样本，仅需部分无噪声的优质信号样本即可训练模型，节省大量的人工标注时间，在工程实施中能够更快上线部署。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种声音信号质量的检测方法，其特征在于，包括对声音样本进行训练和对测试数据进行判断两个步骤；
其中，对声音样本进行训练包括以下步骤：
(1.1)积累正常无噪声声音样本作为训练数据，其余无噪声样本作为验证集；
(1.2)对训练数据中的每个样本，进行变换得到谱图矩阵S；
(1.3)对谱图矩阵S进行变换得到能量谱矩阵S′；
(1.4)设定频率维度长度，使得时间维度长度大于频率维度长度；
(1.5)将时间维度长度降维至频率维度长度，形成方阵Sx；
(1.6)对所有训练数据进行处理，构成训练集
(1.7)记录训练集数据的全局均值和标准差；
(1.8)构建自编码器模型进行模型训练，以最小化归一化均方根误差为目标选择优化方式，训练完毕后保存模型；
(1.9)对验证集的数据进行上述特征提取和归一化处理，利用训练好的自编码器模型进行预测；
(1.10)对所有验证集数据的预测结果进行重构误差计算，得到误差阈值α；
对测试数据进行判断包括以下步骤：
(2.1)对任意测试数据x进行上述步骤(1.1)-(1.6)的操作；
(2.2)根据训练集的全局均值和标准差对测试数据进行归一化操作；
(2.3)输入训练好的自编码器模型进行预测，得到重构样本
(2.4)计算x与之间的重构误差ε，与误差阈值α进行比较，判断声音信号的质量。
2.根据权利要求1所述的声音信号质量的检测方法，其特征在于，在步骤(2.4)后，进行以下步骤：
(2.5)对误差ε进行归一化操作，若低于阈值α则最终输出为0，对高于阈值α的值归一化至(0,1]之间作为最终的数据质量因子输出。
3.根据权利要求1或2所述的声音信号质量的检测方法，其特征在于，两个矩阵S,S′的大小由短时傅里叶变换的频率分辨率参数决定其频率维度长度，由短时傅里叶变换的参数和原始声音信号时长共同决定其时间维度长度。
4.根据权利要求1或2或3所述的声音信号质量的检测方法，其特征在于，所述自编码器模型为基于卷积神经网络的自编码器模型。
5.根据权利要求4所述的声音信号质量的检测方法，其特征在于，所述自编码器模型中卷积核的数量由小至大，解码器中卷积核数量对称减少。
6.一种声音信号质量的检测系统，其特征在于，包括一种基于卷积神经网络的自编码器模型，所述自编码器模型用于执行根据权利要求1-5任一项所述的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011478566.7A CN112560674B (zh) | 2020-12-15 | 2020-12-15 | 一种声音信号质量的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011478566.7A CN112560674B (zh) | 2020-12-15 | 2020-12-15 | 一种声音信号质量的检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560674A CN112560674A (zh) | 2021-03-26 |
| CN112560674B true CN112560674B (zh) | 2024-02-23 |
Family
ID=75063713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011478566.7A Active CN112560674B (zh) | 2020-12-15 | 2020-12-15 | 一种声音信号质量的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560674B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109142547A (zh) * | 2018-08-08 | 2019-01-04 | 广东省智能制造研究所 | 一种基于卷积神经网络的声学在线无损检测方法 |
| CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
| CN110534120A (zh) * | 2019-08-31 | 2019-12-03 | 刘秀萍 | 一种移动网络环境下的环绕声误码修复方法 |
| WO2020237855A1 (zh) * | 2019-05-30 | 2020-12-03 | 平安科技（深圳）有限公司 | 声音分离方法、装置及计算机可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10249289B2 (en) * | 2017-03-14 | 2019-04-02 | Google Llc | Text-to-speech synthesis using an autoencoder |
| US11854562B2 (en) * | 2019-05-14 | 2023-12-26 | International Business Machines Corporation | High-quality non-parallel many-to-many voice conversion |
-
2020
- 2020-12-15 CN CN202011478566.7A patent/CN112560674B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109142547A (zh) * | 2018-08-08 | 2019-01-04 | 广东省智能制造研究所 | 一种基于卷积神经网络的声学在线无损检测方法 |
| CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
| WO2020237855A1 (zh) * | 2019-05-30 | 2020-12-03 | 平安科技（深圳）有限公司 | 声音分离方法、装置及计算机可读存储介质 |
| CN110534120A (zh) * | 2019-08-31 | 2019-12-03 | 刘秀萍 | 一种移动网络环境下的环绕声误码修复方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积自编码神经网络的心电信号降噪;陈健;刘明;熊鹏;孟宪辉;杨林;;计算机工程与应用(第16期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560674A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110792563B (zh) | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 | |
| CN110071913B (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN111398798B (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
| CN116776075A (zh) | 风机叶片健康监测系统及其监测方法 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN113295702A (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
| CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
| CN112560674B (zh) | 一种声音信号质量的检测方法及系统 | |
| Tran et al. | Denoising induction motor sounds using an autoencoder | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN113705405B (zh) | 一种核管道故障诊断方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
| CN114139577A (zh) | 基于一维卷积自编码网络的故障电弧识别方法及装置 | |
| CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 |
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 |