小麦碰撞声信号时域建模与分类张丽娜
融合注意力机制卷积神经网络的扬声器异常声分类
融合注意力机制卷积神经网络的扬声器异常声分类周静雷;王晓明;李丽敏【期刊名称】《西安工程大学学报》【年(卷),期】2024(38)2【摘要】针对扬声器异常声非线性、非平稳且易受外部噪声干扰,以及因特征冗余而导致扬声器异常声识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)和一维卷积循环注意力网络(1DCNN-BiLSTM-Attention)相结合的扬声器异常声分类方法。
首先,采集不同类型异常声信号,采用VMD对异常声信号进行分解并提取扬声器异常声特征,构建标签化的初始数据;其次,将特征数据输入至1DCNN-BiLSTM网络中进行初始化特征提取,利用注意力机制自适应优化网络对异常声特征的学习权重,提升网络对特征鉴别能力,并优化Dropout抑制网络在训练过程中存在的过拟合问题,构成1DCNN-BiLSTM-Attention分类网络;最后,将所提方法应用于扬声器异常声分类中。
实验结果表明:该方法可以有效提取到扬声器异常声中的关键特征,平均分类准确率为99.17%,与VGG16、RF和DCNN相比,其准确率分别提高了13.14%、0.56%,12.34%。
【总页数】8页(P101-108)【作者】周静雷;王晓明;李丽敏【作者单位】西安工程大学电子信息学院【正文语种】中文【中图分类】TN643【相关文献】1.融合词性和注意力的卷积神经网络对象级情感分类方法2.应用变分模态分解和随机森林特征选择算法的扬声器异常声分类3.结合卷积神经网络与注意力机制的多域特征融合ECG心率失常分类4.自适应变分模态分解与RCNN-3结合的扬声器异常声分类方法5.基于图卷积神经网络的自注意力的融合节点分类框架因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的小麦碰撞声信号分类
ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ｍｅ ｈｏ ｔ ｄ ｔ ｏ ａ ｎ ａ ｌ ｙ ｚ ｅ ｔ ｈ ｅ ｉ ｍｐ ａ ｃ ｔ ａ ｃ ｏ ｕ ｓ ｔ ｉ ｃ ｓ ｉ ｇ ｎ ｌ ａ ｏ ｆ ｕ ｎ － ｄ ａ ｍａ ｇ ｅ ｄ ｋ ｅ ｎｅ ｒ ｌ ｓ ，Ｉ ＤＫ（ Ｉ ｎ ｓ ｅ ｃ ｔ Ｄ ａ ｍａ ｇ ｅ ｄ Ｋｅ ｎｅ ｒ ｌ ｓ ） ，ｓ ｌ ａ ｂ － ｄ ａ ｍａ ｇ ｅ ｄ
Ｗｈ ｅ ａ ｔ ｋ ｅ ｒ ｎ ｅ ｌ ｓ ｉ ｍ ｐａ ｃ ｔ ａ ｃ ｏ ｕｓ ｉｃ ｔ ｓ ｉ ｇ ｎａ ｌ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｉｏ ｔ ｎ ｂａ ｓ ｅ ｄ ｏ ｎ ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ
ＺＨＡ ＮＧ Ｌｉ ｎ ａ
ｋ ｅ ｎｅ ｒ ｌ ｓ ａ ｎ ｄ ｓ ｐ ｒ ｏ ｕ ｔ ｋ ｅ ｎｅ ｒ ｌ ｓ ，ｅ ｘ ｔ ｒ ａ ｃ ｔ ｓ ｏ ｍｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｆ ｏ ｕ ｒ ｔ ｙ ｐ ｅ ｓ ｗ ｈ ｅ ａ ｔ ｋ ｅ ｎｅ ｒ ｌ ｓ ， ａ ｎ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｙ ｔ ｈ ｅ ｗｈ ｅ ａ ｔ ｋ ｅ ｒ ｎ ｅ ｌ ｓ
ｗ ｉ ｔ ｈ ＢＰ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗｏ ｒ ｋ，ｇ ｅ ｔ ａ ｇ ｏ ｏ ｄ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｏ ｆ ｔ ｈ ｒ ｅ ｅ ｔ ｙ ｐ ｅ ｓ ｗ ｈ ｅ ａ ｔ ｋ ｅ ｎｅ ｒ ｌ ｓ ｉ ｎ ｔ ｈ ｅ ｅ ｎ ｄ ． Ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｓ ｈ ｏ ｗ ｓ ｔ ｈ ａ ｔ ｔ ｈ ｅ ＢＰ
（ Ｄ ｅ ｐ ａ ｒ ｔ ｍ ｅ ｎ ｔ ｏ ｆ Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， ｄ Ｓ ｃ ｉ ｅ ｃｅ ｎ ， Ｂ ａ ｏ ｊ ｉ ７ ２ １ ０ １ ６ ， Ｃ ｈ ｉ ｎ ａ ）
电信院导师研究方向
需要参与实验测试
《光通信原理与技术》
32
胡海峰
副教授
（1）于遨波，15349127 （2）邢宋隆，15350061 （3）张穗安，15349137 《概率论》、《计算机视觉》《数字图像处理》、《模式识别 （4）陈志鸿，15305009 》； （5）麦思杰，15350048 （6）徐凯昕，15343087 （7）孙健哲，14304141
《数字电路与逻辑设计》《数字集成电路设计》
9
夏明华
教授
确保在实验室有足够的工 作时间；认真负责，积极 主动；保研或者考研的同 学优先。
《数值计算方法》，《概率论与数理统计》
10
孙伟
教授
1、安全数据空间构建技术及其应用； 2、信息伪装处理编码及FPGA设计与实现； 3、基于Linux+ARM的安全通信系统设计与开发； 4、安全传输协议在网络通信中的应用研究； 5、基于面向对象聚类的协同过滤推荐算法及其 系统实现； 6、基于TensorFlow的仿人脑安全软件代码智能 生成技术研究及其应用。
对学生有何要求
主讲课程
1
戴宪华
教授
《数字通信系统》
2
刘星成
教授
《通信原理》；《无线通信原理》；《现代数字信号处理》
3
龙云亮
教授
1、基于PE的电波传播数值仿真及应用； 2、基于FDTD的电波传播数值仿真及应用； 3、移动通信终端天线设计。
《微波技术与天线》
4
马争鸣
教授
1，HSIC正则的流形学习 2，Grassmann流形上的字典学习 3，基于核学习的域自适应学习 4，流形学习的多项式逼近
《微电子学导论》、《半导体物理》
13
陈军
小麦碰撞声信号时域建模与分类_张丽娜
计 算 机 应 用 研 究 Application Research of Computers
Vol. 30 No. 1 Jan． 2013
小麦碰撞声信号时域建模与分类
1， 2 张丽娜 ，郭
*
敏
1
（ 1． 陕西师范大学 计算机科学学院，西安 710062 ； 2． 宝鸡文理学院 计算机科学系，陕西 宝鸡 721013 ） 摘 要： 分析小麦碰撞声信号， 可识别受损小麦。提取三类小麦碰撞声信号， 分析小麦碰撞声的时域特征， 建立
0
引言
在粮食储藏期间， 储粮害虫的危害十分严重， 造成巨大损
的碰撞声信号， 对信号进行预处理后进行时域建模， 选取六个 参数作为有效特征， 建立了 BP 神经网络模型， 最终较好地识 为下一步设计分离小麦受损颗粒系统提供了 别了这三类麦粒， 理论依据。
才能做到有目的的防治， 因此发展和提 失。只有准确地检测， 高对小麦虫害粒的检测方法及结果至关重要 。 在各种声检测方法中， 基于碰撞声信号的检测方法正逐渐 Pearson［1］ 设计了基 应用于各种害虫检测和分类中 。2001 年， 于声信号的碰撞声分类系统， 用于将未裂开的开心果从已裂开 Onaran 等人［2］ 使用碰撞声装置从 的开心果中分离。2004 年， 成熟的榛子中检测出空榛子， 并使用了对时域信号建模等五种 不同的方法来提取声音特征， 最终识别成熟榛子和空榛子的正 Pearson 等人 确率分别为 98% 和 97% 。2005 年，
合适的拟合模型， 并提取残差平方和、 判定系数、 峰值振幅等六个时域特征； 最后利用 BP 神经网络进行分类， 发 现小麦完好粒、 虫害粒及霉变粒碰撞声信号的时域特征存在差异， 并取得了较好的识别率。 应用结果表明选用 实现区分受损小麦颗粒与完好小麦颗粒。 适当的数学模型能够较好地拟合小麦碰撞声信号， 关键词： 检测方法； 碰撞声信号； 时域建模； 非线性拟合； BP 神经网络 中图分类号： TP391． 4 文献标志码： A 文章编号： 1001-3695 （ 2013 ） 01-0176-03 doi： 10． 3969 / j． issn． 1001-3695． 2013． 01． 045
基于HMM和SVM的环境声音分类
基于HMM和SVM的环境声音分类
李玲俐
【期刊名称】《计算机时代》
【年(卷),期】2011(000)011
【摘要】提出了一种利用隐马尔可夫模型和支持向量机作为两级分类器的分类方法,实现对语音、杯碟碰撞声、开门和关门声、口哨声以及电话铃声五种环境声音的分类.对于采集和顸处理后的环境声音信号,首先在第一级采用HMM模型进行初步分类,找出概率最大的两类,确定每种环境声音最有可能属于的类别,然后采用第二级SVM分类器作出进一步的判断.实验结果表明,相对于单独使用两者中任何一种作为分类器的分类方法,该方法对环境声音的识别具有更高的分类准确性.
【总页数】3页(P59-61)
【作者】李玲俐
【作者单位】广东司法警官职业学院,广东广州510520
【正文语种】中文
【中图分类】TP393.09
【相关文献】
1.基于HMM/SVM的音频自动分类 [J], 史东承;韩玲艳;于明会
2.基于HMM和SVM的指纹分类方法 [J], 王崇文;李见为;陈为民
3.基于流形学习和SVM的环境声音分类 [J], 李勇;李应;余清清
4.噪音环境下基于时-频特征的生态环境声音的分类 [J], 余清清
5.基于SVM模型的自然环境声音的分类 [J], 余清清;李应;李勇
因版权原因，仅展示原文概要，查看原文内容请购买。
《语音信号处理》讲稿省公开课金奖全国赛课一等奖微课获奖课件
本章主要讨论问题：
1.语音过程早期研究 2.语音发送过程声学模型 3.语音发送过程数字模型 4.语音发送过程电模型 5.语音接收过程电模型
1/21
1.语音过程早期研究 讨论三方面问题: （1）人类发音器官 （2）双亥姆霍兹谐振器发声模型 （3）电发声系统（EVT）电模型
2/21
21/21
②用四端网络模型（电模型），能够比较 准确地计算在声道中语音发送过程，但这种方 法，因不能直接确定共振峰在频段中位置，所 以不太直观。
20/21
5.语音接收过程电模型
语音接收过程是人类对输入语音信号译码 过程。普通认为, 语音信号经过人外耳、中耳、 内耳后, 被传送到第8脑神经。然而, 至今为 止, 人们对语音信号在大脑中译码过程仍了解 甚少。
无损声管模型方块图表示及其终端模拟 数字模型。
12/21
ቤተ መጻሕፍቲ ባይዱ 声道数字模型
13/21
3.语音发送过程数字模型
（3）唇辐射数字模型 声道终端为嘴唇。唇端输出为压力。包含
唇辐射效应终端数字模型。
14/21
包含唇辐射效应终端数字模型
15/21
3.语音发送过程数字模型
总而言之, 依据声带、声道和唇辐射数字 模型, 能够建立语音发送过程完整数字模型。
求以上方程组完全解很复杂。所以, 常采取近似和简化方法, 得到语音发送 过程简化声学模型。
①语音发送过程均匀无损声管模型
6/21
五节无损声管级联声道模型
7/21
2.语音发送过程声学模型
③鼻腔声管模型 有些语音发送用到鼻腔, 如鼻 腔辅音、鼻化元音等。
8/21
3.语音发送过程数字模型
语音发送过程数字模型（或称“语音 信号产生离散时域模型”）, 建立在语音发 送过程声学模型基础上, 有利于语音合成及 语音识别技术实用化。分以下三步逐步建立。
平滑伪Wigner-Ville变换的地震面波到达时间提取
平滑伪Wigner-Ville变换的地震面波到达时间提取王茹;李环;刘欣【摘要】通过对地震面波到达时间识别方法研究,提出一种基于平滑伪Wigner-Ville变换的方法提取地震面波到达时间,主要用于目标探测方法研究.在此背景下,通过实际的振动系统进行采集数据,利用Wigner-Ville变换以及平滑伪Wigner-Ville变换分析并提取面波.通过其频率分布,能量衰减规律等特性与实际参数进行对比,从而得出所用方法的有效性.对目标检测和精准定位的方法研究具有重大的意义.【期刊名称】《沈阳理工大学学报》【年(卷),期】2016(035)003【总页数】5页(P32-36)【关键词】面波;Wigner-Ville变换;平滑伪Wigner-Ville变换;时间提取【作者】王茹;李环;刘欣【作者单位】沈阳理工大学信息科学与工程学院,沈阳 110159;沈阳理工大学信息科学与工程学院,沈阳 110159;沈阳理工大学信息科学与工程学院,沈阳 110159【正文语种】中文【中图分类】TP391地震波是指从震源产生的向四面八方传播的弹性波，可以分为体波和面波。
体波又分为S波(横波)和P波(纵波)，两者在介质中各自独立传播，当传播到介质分界面时，都会发生折射和反射现象[1]。
S波的质点振动方向与波的传播方向互相垂直，所以也被称作“凹凸波”；P波在介质中传播呈现纵向运动的特点，即质点的振动方向与波的传播方向一致。
面波是地震波的一种，是由体波交叉重叠衍生出来的一种波。
主要在地表传播，能量最大，约占波振动信号能量的70%，波速约为1～3km/s，低于体波的波速，往往最后被记录到。
面波的传播是一个较为复杂的过程，它既可以引起地表上下的起伏，也可以在地表做横向的剪切运动，其中剪切运动会对建筑物造成很严重的破坏，对人们的生活和心理也造成很大的影响[2]。
面波的主要能量分布在10～80Hz频带内，具有低频的特性。
在一次振动中，接收到的信号波形是非常复杂的，是一个混合波形。
基于小波变换的小麦硬度声学测定方法研究
０ 引 言
信息技术近几十年 以来 发展迅速 ， 而声学 的发展 已经有几百年的历史 ， 信息科学 与传统 的声 学相结合 产生 的信息声学技术 成 为当代科 研领域 中的一 个 热点 。采用 信号处理技 术 ， 从声音信 号中提取 出一些
１ 音频信号的采集
利用 自制 的采集装 置对小麦音 频信 号进 行采集 ， 采集装置图如图 １ 所示 。
采集 时 ， 测 小 麦 样 品从 料 斗 加 入 ， 待 自动 进 料 装
丽等（ ０７ 通过对小麦声音信号 的研究 ， ２０ ） 得出小麦
声音信号特征 与其 品质 特征千粒 质量 的相关 系数 ｒ 为 ０ ８ ６ 。本试验将利用小麦碰撞物体产生 的声信 ．９ ２ 号， 运用小波变换 和线性 回归分析 理论 ， 对小 麦硬指 标度进行研 究。小波变 换是在 短时傅 立 叶变换 的基
内分析信号 局部特 征 的能力 。对 于信号 的高频 成分
采用时间分辨率高而频率分辨率低 的窗 口， 可以取得 较好的时间分辨率 ； 对于信号的低 频成分采用时间分 辨率低而频率分辨率高 的窗 口， 以取得较好 的频率 可 分辨率 。目前 ， 波变换 已经在信 号处理 、 Ｊ 小 图像处 理、 语音分析等领域得到 了广泛 的应用 。回归分析研 究 的是统计数据 （ 自变量 ） 与所求变量 （ 因变量 ） 间 之
参数 与 小 麦硬 度 之 间 的 回归模 型 ， 小 麦 硬 度 的声 学 为
测定 奠 定 理论 基 础 。
对 ５个不同品种 的桃子 的声学特性 的研究 ， 发现桃子 的声波响应特性 与桃子 的硬 度指 标之 间的相关 系数
基于磨音信号的磨机负荷模型
基于磨音信号的磨机负荷模型杨志刚;赵莉娅;薄敬东【摘要】磨机能耗与负荷状态有很大关系,当磨机处于最佳工况工作时,能够降低能耗,由此负荷检测成为决定磨机工况控制的关键环节.首先分析了磨机噪声成分及磨音发生机制.并且,推导了磨机系统运动方程,利用声音生成技术,建立了磨机负荷磨音模型.最后,基于MATLAB进行了仿真,生成了磨机负荷与声强、频率曲线.【期刊名称】《河北联合大学学报（自然科学版）》【年(卷),期】2011(033)002【总页数】5页(P65-69)【关键词】磨机负荷;磨音;声音生成理论【作者】杨志刚;赵莉娅;薄敬东【作者单位】河北联合大学计算机与自动控制学院,河北唐山,063009;河北联合大学计算机与自动控制学院,河北唐山,063009;河北联合大学计算机与自动控制学院,河北唐山,063009【正文语种】中文【中图分类】TG580.21+20 引言磨机是一种广泛应用的大能耗物料粉磨设备,磨机能耗与其负荷状态有很大关系。
运用自动控制技术使磨机在最佳状态工作,能够降低能耗,产生显著的经济效益。
由于磨机工作环境恶劣,无法直接测量负荷,只有通过其它量间接检测。
负荷检测的准确度成为决定磨机控制效果的关键环节。
可以进行负荷检测的信号包括磨机振动信号、磨机电流信号、磨机噪声信号、磨机出入口差压信号等。
文献[1]分析了磨机噪声信号的组成,文献[2]对钢球磨机噪声信号进行了频谱分析,得到了球磨机的噪声频谱图。
文献[3]指出了能够反映磨机负荷的磨音频段。
文献[4]构建了基于磨机电耳的负荷监控系统。
基于磨机噪声的负荷检测研究论文很多,但都是从磨机噪声信号分析的结果中对磨机负荷进行定性分析,基本采用单个负荷模型。
本文利用物理学中的声音生成理论,说明了磨机负荷与磨音频谱分布的关系。
1 磨机噪声信号的成分磨机噪声按照声源不同包括:磨机筒体噪声、电动机噪声、齿轮减速器噪声、排粉风机噪声。
筒体噪声是筒体转动时钢球、筒体、物料之间彼此撞击而产生的机械噪声。
利用谐波显著度和语者音色特征的混合语音中目标人基频轨迹提取
的方法 。该类方法复 ditory Scene Analysis, CASA)
[1,2]
杂且鲁棒性不佳，对信噪比较敏感，且因连续语音
存在清音及无声段，基频轨迹不完全连续，难以实
现精确时序组合。机器学习类方法[3]的共性是先提
取混合信号每帧的基频特征，并用于训练分类器以
获取基频轨迹。该法需大量数据才能训练出比较理
二步进行基频判决确定基频轨迹。基频判决的方法
多Mo样de，l, H常M用M的)、有趋隐势马估尔计科等夫。模这型类方(H法idd理en论M基a础rk完ov
善、研究成果丰富，而且实现简单、计算量小。其
中谐波乘积谱 方 (Harmonic Product Spectrum, HPS)
第4期
后方帅等：利用谐波显著度和语者音色特征的混合语音中目标人基频轨迹提取
收基稿金日项期目::
作者简介: 通讯作者:
音上后刘2目(Z0频1海方若R(A82信市帅伦-G0041号信(,K1-6E192F模息1-90mM;21式安a－7修4i0分全4l)9:回),。)r类综、u日男o。合山l期,u管n东山:.理2l省东i0u重1@自曹8点s-然县0d5u实科人-.1e验4学,du室硕基.c开士n金放研资基究助金生项项,目研究方向为
摘要：从混合语音中提取出目标语者的基频轨迹，是语音监听、语音门禁、对话管理等应用的关键技术。为提高基
频轨迹跟踪的准确率、增强抗八度误差的能力、降低系统复杂度，多基频估计以谐波乘积谱为核心，八度校正与基
频分组均以元音段为基本单元，并结合了谐波显著度和语者音色特征。基于 MIREX2005 语音数据集的实验表明，
2第01398年卷8第月4 期
声学技术
Technical Acoustics
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
0
引言
在粮食储藏期间， 储粮害虫的危害十分严重， 造成巨大损
的碰撞声信号， 对信号进行预处理后进行时域建模， 选取六个 参数作为有效特征， 建立了 BP 神经网络模型， 最终较好地识 为下一步设计分离小麦受损颗粒系统提供了 别了这三类麦粒， 理论依据。
才能做到有目的的防治， 因此发展和提 失。只有准确地检测， 高对小麦虫害粒的检测方法及结果至关重要 。 在各种声检测方法中， 基于碰撞声信号的检测方法正逐渐 Pearson［1］ 设计了基 应用于各种害虫检测和分类中 。2001 年， 于声信号的碰撞声分类系统， 用于将未裂开的开心果从已裂开 Onaran 等人［2］ 使用碰撞声装置从 的开心果中分离。2004 年， 成熟的榛子中检测出空榛子， 并使用了对时域信号建模等五种 不同的方法来提取声音特征， 最终识别成熟榛子和空榛子的正 Pearson 等人 确率分别为 98% 和 97% 。2005 年，
Time domain modeling and classification of wheat impact acoustic signal
2 ZHANG Lina1， ，GUO Min1
（ 1 ． School of Computer Science，Shaanxi Normal University，Xi ’ an 710062 ，China； 2 ． Dept． of Computer Science，Baoji University of Arts ＆ Science，Baoji Shaanxi 721013 ，China）
Abstract： Analyzing the wheat impact acoustic is help to recognize the damaged wheat kernels． This paper extracted three types of wheat impact acoustic signal，and analysed the time domain characteristics of all the acoustic，established a suitable fitting model，and got the statistical parameters of SSE，the peak amplitude and other four time domain characteristics，and used BP neural network to class the wheat kernels． The experiment finds that the time domain characteristics of undamaged wheat kernels，the insect damaged kernels and the moldy kernels are different，and have achieved a better recognition rate． The application results show that the selection of appropriate mathematical model can fit the wheat impact acoustic signal better，distinguish undamaged wheat kernels and damaged wheat kernels successfully． Key words： detection method； impact acoustic signal； time domain modeling； nonlinear fitting； BP neural network
合适的拟合模型， 并提取残差平方和、 判定系数、 峰值振幅等六个时域特征； 最后利用 BP 神经网络进行分类， 发 现小麦完好粒、 虫害粒及霉变粒碰撞声信号的时域特征存在差异， 并取得了较好的识别率。 应用结果表明选用 实现区分受损小麦颗粒与完好小麦颗粒。 适当的数学模型能够较好地拟合小麦碰撞声信号， 关键词： 检测方法； 碰撞声信号； 时域建模； 非线性拟合； BP 神经网络 中图分类号： TP391． 4 文献标志码： A 文章编号： 1001-3695 （ 2013 ） 01-0176-03 doi： 10． 3969 / j． issn． 1001-3695． 2013． 01． 045
第 30 卷第 1 期 2013 年 1 月
计 算 机 应 用 研 究 Application Research of Computers
Vol. 30 No. 1 Jan． 2013
小麦碰撞声信号时域建模与分类
1， 2 张丽娜 1． 陕西师范大学 计算机科学学院，西安 710062 ； 2． 宝鸡文理学院 计算机科学系，陕西 宝鸡 721013 ） 摘 要： 分析小麦碰撞声信号， 可识别受损小麦。提取三类小麦碰撞声信号， 分析小麦碰撞声的时域特征， 建立
［3 ］
1
1. 1
材料与方法
实验装置 收集粮仓中同种类完好小麦 150 粒、 已被米象蛀孔的 IDK
150 粒、 真菌侵蚀的霉变粒 150 粒， 共 450 粒小麦用于实验。麦 掉落高度为 50 粒掉落在 24 cm ˑ 11 cm ˑ 0． 06 cm 的钢板上， cm， 钢板的水平倾斜角度为 30ʎ ， 用型号为舒尔 BG 4． 1 的专业 并传送至装有 MAYA 44 声卡的计算 麦克风录制碰撞声信号， IDK 和霉变粒各采集 150 机中， 采样频率为 48 000 Hz， 完好粒、 个声信号。计算机获取数据， 进行保存、 处理， 并控制数据采集 系统。 1. 2 时域建模 IDK 与完好粒的物理构造不同， 小麦霉变粒、 它们的碰撞 可根据信号时域特征识别受损麦粒与完 声信号一定存在差异， 好麦粒。时域建模分两个步骤： a ） 对原始碰撞信号进行处理 分析， 获取具有每类麦粒典型特征的时域信号曲线； b ） 对处理