专利交易市场

本发明公开了一种基于混合深度神经网络模型的城市噪声识别方法。本发明包括如下步骤：步骤1.采集城市噪声，建立声音样本库；步骤2.将声音样本库中的声音信号转换成语谱图；步骤3.将得到的语谱图进行裁剪，然后使用多个预训练好的深度神经网络模型分别进行特征提取；步骤4.将多个模型提取的特征进行拼接；步骤5.将拼接后得到的融合特征作为最后分类器的输入，进行预测模型训练；步骤6.对于未知的声音，首先将其转换成语谱图，使用上述的多个预训练好的深度神经网络模型进行特征提取，提取的特征进行拼接，然后使用训练好的预测模型进行预测，得到最终的声音类型。本发明不需要大量的数据集，且运算速度更快，所需资源更少。

本发明公开了一种基于超复数随机神经网络的城市噪声识别方法。本发明将城市噪声信号经过谱减法滤波器，然后提取其MFCC、LSP和PLP特征，再拼接成四元数增广向量，最后经过四元数极限学习机(Q-ELM)实现对噪声信号的分类识别。本发明充分提取了低信噪比情况下，信号中的有用信息，增广四元数结构也可利用各个特征之间的结构信息，可以有效提高城市噪声信号的识别率。

本发明公开了一种基于改进EMD‑CNN的轮轨故障噪声识别方法及系统，方法包括：对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别。能够提高轮轨故障类型识别的准确性，分类的精准度，有利于对轮轨故障的排查。

本申请提出基于智能手机的交互式自先验感知的数据采集与重建方法，针对交互式感知系统中出现的数据冗余多、处理过程能耗大等问题，提出把自先验感知融入交互式感知噪声检测系统，利用少量的噪声数据来重建出整个环境噪声数据信息，有效减少数据采集量，为了提高采集数据的精确度，在采集噪声数据前，提出一种粗粒度的粗粒度音频模态动态评估方法对参与者在感知任务过程中的应用场景进行推测；设计并实现了一个环境噪声交互式感知系统，解决了噪声数据的冗余、保障了数据的可信性、保护了个人隐私、提高了采集效率，参与者通过热力地图来直观的获得特定区域的噪声分布情况，对于噪声监测和分析具有巨大作用。