该文介绍了一个基于深度卷积神经网络的音频分类框架，旨在实现自动驾驶汽车的改进环境感知，并证明了相对于现有的音频分类框架，该框架在自动驾驶汽车相关声音的情况下表现更好。

Sep, 2022

本研究使用深度卷积神经网络及音頻參數 (如 Mel 頻率倒谱系数、登录 Mel 滤波能量光譜、Fourier 光譜) 做為特徵集合與資料擴增技術，實現了對交通安全重大事件如碰撞、轮胎打滑、喇叭和警笛聲的自动辨識，进而提高 IoT 平台覆盖率的效果，準確率最高可達 94%。

Mar, 2022

设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

Dec, 2023

本论文提出了一种完全有效的基于机器学习的方法，用于保护连接车辆免受网络攻击，并针对使用配置规则提取相关信息的不同车辆接口（网络、CAN 和操作系统）进行监测，通过训练出的生成模型检测异常，以探测并诊断出其他现有方法无法发现的异常情况。

Nov, 2017

开发了一个用于风力涡轮机发电机轴承故障分类的深度学习模型，通过使用来自五种预定义故障类型的音频数据进行构建和训练。该模型在训练样本上表现出色，验证过程中也展示出优秀的泛化能力，对于测试样本，模型的分类性能出色，整体准确率超过 99.5%，正常状态的误报率低于 1%。该研究的发现对于风力发电的故障诊断和维护提供了重要支持，并具有提高风力发电的可靠性和效率的潜力。

Mar, 2024

通过使用声学交通监测，对城市人口的快速增长造成的交通问题进行监控和管理，本研究开发了声学交通监测和车辆类型分类算法的两个开放数据集 MVD 和 MVDA，并提供了一种有效的方法来利用倒谱和谱的本地和全局音频特征以及多输入神经网络来准确分类这些声学信号，实验结果表明，我们的方法提高了前人工作的基线，对 MVD 和 MVDA 数据集的准确率分别达到 91.98% 和 96.66%，最后，我们通过一个 Android 应用程序部署该模型，以方便测试和展示其有效性。

Sep, 2023

评价多任务人工神经网络在预测感应电机的心理声学参数方面的应用，通过使用电动机功率信号的电学量和极数等多种输入参数，同时评估感应电机的声学质量，采用等效声压、响度、粗糙度和锐度作为输出指标，并分析其简单可解释模型中产品单元神经网络的最佳结果。

Jan, 2024

该研究的目标是针对自动驾驶汽车开发一种基于创新的音频分析的人口贩运侦测框架，使用一维卷积神经网络可以将人口贩卖受害者的声音从非人口贩卖声音中区分出来，准确率达 95%。

Sep, 2022

本文研究基于知识蒸馏的紧凑深度神经网络模型用于语音识别任务，并通过序列训练和适应进一步提高模型的准确率。在 AMI 会议语音识别语料库上的实验结果表明，该方法显著提高了模型的准确性，同时减小了模型参数规模与识别准确率之间的差距。

Aug, 2016

该研究提出了一个利用主动学习框架从实时收集的数据中，对自动驾驶车辆进行正确分类的方法，该方法通过有效处理贫乏且嘈杂的数据，并在数据质量和多样性之间进行权衡，从其他车辆接收的信息以及有关自身传感器的信息进行数据分析，从而实现高准确度的分类，而该方法相比其他现有的解决方案，具备数据传输带宽要求低的优势。

Feb, 2020