检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

面向主动降噪验证的AD/DA测试平台设计

计算机测量与控制 2024年

作者：郭振伟周静雷付中华李腾飞西北工业大学计算机学院西安讯飞超脑信息科技有限公司西安工程大学电子信息学院

针对主动降噪算法程序调试难度大、相关滤波器结构可视化程度差、硬件平台底噪大的问题，设计了一款底噪小、程序可视化程度高、搭建模型简单的AD/DA硬件验证平台(AKM平台)。相比较传统的ANC调试过程，AKM平台在降噪算法验证过程中不需... 详细信息

针对主动降噪算法程序调试难度大、相关滤波器结构可视化程度差、硬件平台底噪大的问题，设计了一款底噪小、程序可视化程度高、搭建模型简单的AD/DA硬件验证平台(AKM平台)。相比较传统的ANC调试过程，AKM平台在降噪算法验证过程中不需要编写程序，仅需要基于Simulink HDL模块化工具搭建仿真模型，生成Bitstream文件，将其烧录到验证平台即可实现算法的验证，有效避免了开发者编写和调试程序过程的复杂性，最终实现了一款操作高效的ANC算法验证平台;实验结果表明，该系统在输入激励信号为1 kHz 100 mV，采样率为32 kHz 24 bit的条件下，测试输出信号的总谐波失真为0.005 217%；信噪比为98.295 dB。在不输入任何激励信号的情况下，系统平台的底噪为5.360 uVrms。

关键词： ANC验证 ADDA平台无需编程总谐波失真小低失真底噪小

融合注意力机制卷积神经网络的扬声器异常声分类

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

西安工程大学学报 2024年第2期38卷 101-108页

作者：周静雷王晓明李丽敏西安工程大学电子信息学院陕西西安710048

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... 详细信息

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%。

关键词：异常声分类变分模态分解卷积神经网络注意力机制

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

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2022年第20期41卷 277-283页

作者：周静雷周智崔琳西安工程大学电子信息学院西安710600

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition,VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特... 详细信息

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition,VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特征;然后利用随机森林特征计算提取特征的重要性,通过递归特征消除算法提取出相关性较强的特征构造出最优特征子集;最后将最优特征子集输入至随机森林分类器中,实现扬声器异常声的分类识别。试验结果表明,该方法可以筛选出规模较小且识别度较高的低维特征数据集,同时具有更好的平均识别准确率,平均识别准确率为98.61%。

关键词：扬声器异常声分类变分模态分解(VMD) 特征选择随机森林

CNN-GRU和SSA-VMD在扬声器异常声分类中的应用

在线全文

学校读者我要写书评

暂无评论

电子测量与仪器学报 2023年第3期37卷 161-168页

作者：周静雷贺家琛崔琳西安工程大学电子信息学院西安710048

为了提高扬声器异常声分类的平均准确率,提出用卷积神经网络加门控循环单元(convolutional neural network plus gated recurrent unit,CNN-GRU)和麻雀搜索算法优化变分模态分解(sparrow search algorithm optimization variational modal decomposition,SSA-VMD)模型进行扬声器异常声分类。在特征提取方面,用SSA-VMD模型,确定VMD中二次惩罚因子(α)和模态分解数(k)的最优取值问题,借此提高特征提取精度,减少提取时间,最后再利用VMD提取扬声器响应信号的特征;在分类网络方面,用CNN-GRU网络来进行扬声器异常声分类,以CNN为基础特征提取网络,再用GRU网络进行更深层特征提取,达到提高扬声器平均分类准确率的目标。试验结果表明,经SSA-VMD模型优化参数后,VMD可以更有效提取特征,且分解时间缩短59.8%;CNN-GRU模型具有更高和更稳定的识别率,其平均分类准确率为99.2%。

关键词：扬声器异常声变分模态分解卷积神经网络门控循环单元麻雀搜索算法

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2022年第8期45卷 41-47页

作者：周静雷丁芳崔琳西安工程大学电子信息学院西安710600

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态... 详细信息

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。

关键词：异常声分类变分模态分解多尺度熵灰狼算法

应用变分模态分解及能量熵的扬声器异常声分类

在线全文

学校读者我要写书评

暂无评论

声学学报 2021年第2期46卷 263-270页

作者：周静雷颜婷西安工程大学电子信息学院西安710600

为更准确地实现扬声器异常声分类以及促进其分类的自动化,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵和遗传算法优化的支持向量机(Genetic Algorithm-Support Vector Machines,GA-SVM)的扬声器异常声分类方... 详细信息

为更准确地实现扬声器异常声分类以及促进其分类的自动化,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵和遗传算法优化的支持向量机(Genetic Algorithm-Support Vector Machines,GA-SVM)的扬声器异常声分类方法。首先对测得的扬声器单元声响应信号进行VMD,然后提取每个变分模态函数(Variational Mode Function,VMF)的能量熵并进行统计分析,最后利用GA-SVM进行异常声判断。实验结果表明,与VMD时频熵、经验模态分解(Empirical Mode Decomposition,EMD)能量熵、EMD时频熵这3种特征提取方法相比,VMD能量熵能更准确地表征扬声器单元异常声特征,具有更高的平均识别率,其平均识别率为96.3%,较以上3种方法分别提高了18.3%,24.0%,54.3%。

关键词：扬声器单元变分模态分解能量熵经验模态分解响应信号时频熵模态函数特征提取方法

基于VMD-Seq2seq模型的扬声器短期寿命预测研究

在线全文

学校读者我要写书评

暂无评论

国外电子测量技术 2023年第3期42卷 145-151页

作者：李天宇周静雷李佳斌西安工程大学电子信息学院西安710600

随着音频载体设备的发展,扬声器在向着体积小、功率大的趋势发展,长时间工作在大信号驱动时音圈发热严重,会出现音圈断路等热损坏问题,通过对扬声器电参量数据的预测,可以降低功放功率等方法保护音圈,延长使用寿命。针对功率试验中扬声... 详细信息

随着音频载体设备的发展,扬声器在向着体积小、功率大的趋势发展,长时间工作在大信号驱动时音圈发热严重,会出现音圈断路等热损坏问题,通过对扬声器电参量数据的预测,可以降低功放功率等方法保护音圈,延长使用寿命。针对功率试验中扬声器电参量数据的时序特性,提高预测准确率,提出一种基于变分模态分解(variational mode decomposition,VMD)和编解码器(sequence to sequence,Seq2seq)模型的扬声器电参量多步预测方法。该方法首先使用VMD将原始数据进行分解,降低数据的非平稳性,利用分解后的数据构建训练集并使用Seq2seq网络模型进行训练和多步预测。仿真结果表明,所提出的预测模型在单步预测情况下,模型评价指标均方根误差(RMSE)为0.044、平均绝对百分比误差(MAPE)为0.15%、决定系数(R^(2))为0.94,在五步预测的情况下,模型评价指标RMSE为0.05、MAPE为0.17%、R^(2)为0.92,均优于其余对比模型,表明所提出模型的精度更高。

关键词：变分模态分解 Seq2seq模型动圈式扬声器多步预测

融合注意力机制卷积神经网络的扬声器异常声分类

在线全文

学校读者我要写书评

暂无评论

西安工程大学学报 2023年

作者：周静雷王晓明李丽敏西安工程大学电子信息学院

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... 详细信息

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相比准确率分别提高了13.14%、0.56%,12.34%。

关键词：异常声分类变分模态分解卷积神经网络注意力机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于虚拟仪器的扬声器功率试验系统设计

微计算机信息 2007年第6S期23卷 179-181页

作者：周静雷西安工程大学电子信息学院陕西西安710048

本文介绍了一种多通道扬声器功率试验系统的系统结构和基本原理,并从硬件和软件两个方面对系统作了说明。该系统将计算机、声卡、功率试验仪和软件四者结合起来,运用虚拟仪器技术进行多通道扬声器功率试验,以较低的成本实现了较强的功能... 详细信息

本文介绍了一种多通道扬声器功率试验系统的系统结构和基本原理,并从硬件和软件两个方面对系统作了说明。该系统将计算机、声卡、功率试验仪和软件四者结合起来,运用虚拟仪器技术进行多通道扬声器功率试验,以较低的成本实现了较强的功能,是对传统功率试验方法的一种升级。

关键词：扬声器虚拟仪器功率试验多通道