【技术实现步骤摘要】
本专利技术涉及人工智能算法，尤其是指基于残差收缩网络的声纹阵列识别方法。
技术介绍
1、声纹识别在电力、电缆施工方面，设备诊断、检修方面，都有广泛的应用。然而，这些应用中，周围环境噪声情况嘈杂，所采集的声纹序列都存在不同程度的噪声干扰。传统ai网络对时间序列进行分类方法可大致分为基于距离的方法，基于特征的方法以及基于深度学习的方法。传统方法需要手动处理特征和人为的选择分类器，深度学习方法没有针对时间序列数据的特点对网络结构进行有效设计，很难取得良好的效果。
2、时间序列数据往往面临着两个问题：时间尺度的选择与噪声干扰。一个良好的时间序列分类算法应该能够捕获不同时间尺度的时间序列数据，因为长期特征反映总体趋势，短期特征反映局部区域的细微变化。同时，时间序列数据又容易受到噪声的干扰而失去意义。能否对时间序列数据进行有效的时间尺度的选择和有效的噪声处理将对时间序列分类效果产生重要影响，目前已有的考虑到时间尺度的时间序列分类算法并不理想，并且很少能够对噪声问题提出有针对的解决方法。
技术实现思路<...
【技术保护点】
1.基于残差收缩网络的声纹阵列识别方法，其特征是，包括以下步骤：
2.根据权利要求1所述的基于残差收缩网络的声纹阵列识别方法，其特征是，所述的步骤1中，预处理的过程包括数据映射、数据平滑滤波和数据采样。
3.根据权利要求2所述的基于残差收缩网络的声纹阵列识别方法，其特征是，所述的数据映射具体为：
4.根据权利要求3所述的基于残差收缩网络的声纹阵列识别方法，其特征是，所述的步骤2具体为：局部卷积从输入时间序列中下采样得到不同长度的多个时间序列，对每个新生成的时间序列应用独立的一维局部卷积；一维局部卷积包括卷积计算和池化计算来提取每个分...
【技术特征摘要】
1.基于残差收缩网络的声纹阵列识别方法，其特征是，包括以下步骤：
2.根据权利要求1所述的基于残差收缩网络的声纹阵列识别方法，其特征是，所述的步骤1中，预处理的过程包括数据映射、数据平滑滤波和数据采样。
3.根据权利要求2所述的基于残差收缩网络的声纹阵列识别方法，其特征是，所述的数据映射具体为：
4.根据权利要求3所述的基于残差收缩网络的声纹阵列识别方法，其特征是，所述的步骤2具体为...
【专利技术属性】
技术研发人员：顾伟，秦建松，章立宗，丁梁，陈浩，赵伟苗，杨彪，殷常斌，张金鹏，苗伟，刘炜，汪磊，王建军，任基铭，严铭铭，蒋春锋，陈岳峰，张晓波，邬明亮，刘安文，李勇，黄强强，陈扬军，杨智海，崔佳嘉，冯新江，梁皓，魏健，陈文浩，陶旭东，林开福，孙局宾，张中，傅伟栋，吴涛，张黎捷，邢恩恺，施光南，张继轩，董钦，沈旭东，金钢，贺明，
申请(专利权)人：国网浙江省电力有限公司双创中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。