Mar, 2024

基于电网频率使用多分类器融合框架的电网分类的频谱图分析

PDF
TL;DR通过从不同电网的音频和电能记录生成频谱图，利用特征明显的电网频率（ENF）模式辅助电网分类，本文提出了一种新的电网分类方法。该方法采用四种传统机器学习分类器和一个经由神经网络结构搜索优化的卷积神经网络（CNN）进行逐一分类，然后将这些分类结果综合到一个浅层多标签神经网络中进行训练，最终得出每个样本的确定性分类预测。实验结果表明，所提出的方法在验证和测试的准确率上超过了现有最先进的分类器，突显了其方法的有效性和鲁棒性。
electric network frequencypower grid classificationspectrogramsmachine learning classifiersconvolutional neural network
发现论文，激发创造
  • 基于 MFCC 的基于 Transformer 的音频分类序列标注

    该论文提出了一种基于 Transformer 编码器的音频分类模型，使用 MFCCs 作为输入特征，经过 ESC-50, Speech Commands v0.02, 和 UrbanSound8k 数据集的测试，获得了最高达 95.2% 的精度和轻量级的模型参数，是一种高效的音频分类方法。

    Apr, 2023

  • 朝着端到端可解释的卷积神经网络发展音波信号

    用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。

    May, 2024

  • 利用深度卷积自编码器进行电力系统干扰的无监督聚类

    该论文提出了一种使用自编码器和 K 均值聚类的无监督学习技术，可将电力质量事件分类为下降、中断、瞬变、正常和谐波畸变等类别，并使用 t 分布随机邻域嵌入（t-SNE）可视化工具分析这些聚类，便于快速研究大量事件，为电力系统工程师诊断和纠正根本问题提供帮助。

    Jun, 2023

  • 电网频率光学传感器

    电网频率（ENF）在多媒体取证应用中具有指纹的作用。本文研究了在室内环境中，ENF 的变化如何影响连接到电源的光源的强度，并利用感应设备捕捉到的光强度变化来估计 ENF。同时，本文开发了一个基于光电二极管的第一种光学传感设备，用于捕捉室内照明环境中的 ENF 变化，实现了直接从电源中捕捉 ENF 的设备，用作 ENF 的真实采集器，还利用摄像机记录的视频估计 ENF，探讨了影响 ENF 估计的因素，并利用两种光学传感器对比以及直接从电源中估计的 ENF 之间的最大相关系数来衡量估计精度。该论文的重要贡献在于揭示了在静态场景（如白墙）到包括人类活动的非静态场景中进行 ENF 估计的广泛实验论证。

    Nov, 2023

  • 基于人类评分系统和人工神经网络的大型生物声学信号分类

    本文提出一种方法，通过结合来自时频谱图的信号特征和人类感知，以提高声音分类性能，该方法利用人工神经网络 (ANN) 学习基于人类感知知识的信号特征，并应用于包含 24 个月几乎连续记录的大型声学数据集，结果表明性能显著提高。

    May, 2013

  • 面向声学生物多样性监测的小型精确卷积神经网络

    通过使用时间索引标签及适当大小的 RF，我们设计出了适用于紧凑低成本设备的小型 CNN 模型，实现了较好的分类性能。

    Dec, 2023

  • 用于认知大量脑电信号的多层平台

    该研究提出了一种多层次的神经网络框架，能够高准确率地进行神经认知，在睡眠阶段评分上超过了现有技术，同时也提供了可视化的脑电波信号特点解释方法。

    Apr, 2022

  • 基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

    本论文介绍了无线电信号标识的深度学习方法，提出了端到端学习框架和通用方法，通过调查不同的数据表示方法及其不同的影响，研究了无线电信号的分类方法，降低了设计无线电信号分类器的复杂度并提升了准确性。

    Dec, 2017

  • 三通道运动想象分类中的时空频特征融合

    本研究介绍了一种新的网络架构 TSFF-Net，它集成了时间 - 空间 - 频率特征，有效地弥补了基于时间序列和时频模态的单模特征提取网络的局限性，用于解码三通道运动想象的分类，结果表明，TSFF-Net 在 EEG 解码方面具有显著优势并为算法增强低通道 EEG 解码提供了有价值的洞见。

    Apr, 2023

  • 利用多头卷积神经网络实现快速谱图反演

    本研究提出了一种使用多头卷积神经网络（MCNN）架构从频谱生成波形的方法，而不需要迭代算法，能显著提高计算效率。对 MCNN 进行了大规模数据集的训练，并且损失函数的定义关注于声学感知质量。证明了 MCNN 是一种非常有前途的高质量语音合成方法。

    Aug, 2018