论文摘要
提出一种基于变步长最小均方(LMS)和支持向量机(SVM)的电能表内异物声音自动识别方法。由于SVM分类器对噪声敏感,通过变步长LMS实现对采集的电能表内异物声音信号的降噪,相较于固定步长LMS,信噪比提升明显,耗用时间较少。对声音信号进行时、频域和倒谱分析,并提取其短时特征系数及改进梅尔频率倒谱系数(MFCC)。并采用短时能量和MFCC系数构成混合特征矩阵,对该矩阵降维后输入SVM进行异物声音识别。实验证明:提出的方法计算量小、识别率高,有很好的应用价值。
论文目录
文章来源
类型: 期刊论文
作者: 蒋晓永,杨涛
关键词: 电能表异物声音,变步长最小均方,短时能量,改进梅尔频率例谱系数,支持向量机识别
来源: 传感器与微系统 2019年02期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 电力工业
单位: 西南科技大学信息工程学院,特殊环境机器人技术四川省重点实验室
基金: 国家自然科学基金资助项目(61571376),特殊环境机器人技术四川省重点实验室开放资助项目(13ZXTK06)
分类号: TM933.4
DOI: 10.13873/j.1000-9787(2019)02-0143-04
页码: 143-146
总页数: 4
文件大小: 567K
下载量: 152
相关论文文献
标签:电能表异物声音论文; 变步长最小均方论文; 短时能量论文; 改进梅尔频率例谱系数论文; 支持向量机识别论文;