針對現(xiàn)有盲源分離算法在單一傳感器條件下分類精度不足的問題,首先提出了一種K-DPC聚類新型欠定盲源分離算法,得到了混合噪聲信號中的各聲源信號分量,構(gòu)建了獨(dú)立聲源信號庫;借助k-UBSS算法中的混合估計(jì)矩陣,提出了一種利用獨(dú)立聲源信號庫獲得大量混合時頻譜圖的方法,最后分別通過VGGNet-16和Res Net-50模型進(jìn)行訓(xùn)練,實(shí)現(xiàn)了混合聲音信號的分類。對比測試結(jié)果表明:k-UBSS算法的偏角差均小于2,歸一化均方誤差達(dá)-38. 372,較現(xiàn)有K-means和DPC算法的精度有很高提升,VGGNet-16和Res Net-50分類準(zhǔn)確率分別可達(dá)到93. 75%和99. 2%。仿真結(jié)果驗(yàn)證了K-UBSS算法的準(zhǔn)確性,以及混合時頻譜圖獲取方法的可行性,實(shí)現(xiàn)了單一傳感器下源聲音信號的快速分類。采用該算法能有效解決深度學(xué)習(xí)時樣本不足的問題,并對噪聲采集和治理具有重要意義。 

【文章來源】：華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,47(04)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

五類音頻源信號的時域波形

由圖5為經(jīng)歸一化后x"(t)和x″(t)的時頻散點(diǎn)圖可以看出，通過歸一化后的觀測信號均形成了4類明顯的密集數(shù)據(jù)簇。由此可知，本文所提的歸一化方法有利于K-DPC時的聚類。如圖6所示，x"(t)和x″(t)的相關(guān)決策圖中均具有4個明顯的聚類中心，一方面說明了采用K-DPC算法時，可自動獲取聚類中心，另一方面也說明了K-DPC算法比其他設(shè)置密度閾值的聚類算法更加簡便。最后獲得混合估計(jì)矩陣

將本文所提算法與常用的聚類算法進(jìn)行比較，包括K-means算法[23]和DPC[24]算法。因?yàn)镵-means算法需要提前設(shè)定聚類中心的個數(shù)，為了便于對比，設(shè)定k=4,DPC算法中的截?cái)嗑嚯xdc=0.04。分別得到圖4 兩組觀測信號單源點(diǎn)檢測后時頻域散點(diǎn)圖

【參考文獻(xiàn)】：
期刊論文
[1]基于遷移學(xué)習(xí)深度卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障區(qū)域定位[J]. 孟子超,杜文娟,王海風(fēng).  南方電網(wǎng)技術(shù). 2019(07)
[2]基于相似矩陣盲源分離與卷積神經(jīng)網(wǎng)絡(luò)的局部放電超聲信號深度學(xué)習(xí)模式識別方法[J]. 張重遠(yuǎn),岳浩天,王博聞,劉云鵬,羅世豪.  電網(wǎng)技術(shù). 2019(06)
[3]欠定盲源分離算法的研究現(xiàn)狀及展望[J]. 王川川,曾勇虎.  北京郵電大學(xué)學(xué)報(bào). 2018(06)
[4]基于NSTFT-WVD變換的VFTO頻譜分析方法[J]. 劉世明,李帥,談翀,臧英,張舜欽,程軍衛(wèi),王傳勇.  華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[5]基于時頻單源點(diǎn)檢測和聚類驗(yàn)證技術(shù)的欠定混合盲辨識算法[J]. 王翔,黃知濤,任嘯天,周一宇.  國防科技大學(xué)學(xué)報(bào). 2013(02)
[6]基于多層非負(fù)矩陣分解的工頻干擾消除[J]. 賈崟,武俊義.  電力科學(xué)與工程. 2009(04)
[7]Estimation of underdetermined mixing matrix based on support vector machine[J]. Yang Zuyuan and Xie Shengli(School of Electrics & Information Engineering, South China University of Technology, Guangzhou 510641, China).  Progress in Natural Science. 2007(11)



本文編號：3525852