专利交易市场

本发明提出一种基于卷积神经网络和多核学习SVM的关键音频检测方法，包括步骤：S1：处理音频数据集，得到音频原始波形序列数据集和音频声谱图数据集；S2：建立提取音频原始波形序列特征的一维卷积神经网络和提取音频声谱图特征的二维卷积神经网络；S3：使用音频的原始波形序列数据集和声谱图数据集分别训练一维和二维卷积神经网络，得到对应的两个特征提取的网络模型；S4：输入音频的原始波形序列和声谱图分别至对应的两个网络模型，提取对应的特征；S5：输入两类特征至多核支持向量机，构建基于特征融合模型的核函数，进行音频分类。本发明所述检测方法将卷积神经网络从音频语谱图和音频原始波形中提取的特征进行融合，提高了检测识别准确率。

本发明公开了一种电子装置、基于深度学习的乐曲演奏风格识别方法及存储介质，所述方法通过获取待演奏的乐曲对应的乐谱；根据预先训练完成的音乐力度标注模型对获取的乐谱进行音乐力度标注，以标注出所述乐谱中的音乐力度；根据标注的音乐力度，确定该乐曲的演奏风格。能够提高演奏初学者的学习效率及效果，且该方法简单灵活实用性强。

本发明提供了一种基于深度神经网络的工业音频故障监测系统和方法，通过选择、构建工业音频特征集提高特征提取效率；通过引入深度学习模型作为分类器，提升了在工业音频分析领域分析故障的准确率；通过工业设备运作时产生的正常音频和异常音频训练深度学习分类模型，减少了人工决策的负担，提高了判断工业音频故障概率的准确性，实现了在复杂环境下实时监测工业设备的音频故障并进行故障预警的功能。本发明具备在线实时监测、预警等功能，具有部署成本低，功能整合度高和故障识别率高的优点，具备有广泛推广的能力。