-
公开(公告)号：CN110580915A
公开(公告)日：2019-12-17
申请号：CN201910874151.2
申请日：2019-09-17
Applicant: 中北大学
Abstract: 本发明属于声音信号处理技术领域，具体涉及一种基于可穿戴式设备的声源目标识别系统。本发明技术方案中，首先，两组训练稠密卷积编码-解码网络对输入数据与人工提取特征分别训练编码网络抽象高级特征，基于稠密卷积的使用可以使我们能够训练深度更深的编码网络并增强重复特征的使用。其次，设计融合层融合两种编码网络提取的特征，最后利用一个卷积网络实现声源信号的分类。最终，本发明技术方案解决了现有技术中对识别精度产生负面影响、以及卷积网络当层数加深时还存在梯度消失或爆炸，特征重复利用率等缺陷的问题。
-
Patent Agency Ranking
公开(公告)号：CN110516650B
公开(公告)日：2022-04-22
申请号：CN201910823811.4
申请日：2019-09-02
Applicant: 中北大学
Abstract: 本发明涉及一种基于震动传感器阵列的浅层盲空间震源定位系统，包括预设震源、震动传感器阵列、特征参数提取模块、速度场模型构建模块、三维能量场图像生成模块、深度学习网络模块；本发明减少了传统浅层震源定位过程中定位参数提取、定位模型建模和定位模型解算等中间步骤，极大地提高了震源定位效率，消除了定位盲区，降低了震源定位精度对监测区域信道重建精度的依赖，为地下浅层震源定位提供一种新的震源定位系统。
-
公开(公告)号：CN110444225B
公开(公告)日：2022-03-25
申请号：CN201910874153.1
申请日：2019-09-17
Applicant: 中北大学
Abstract: 本发明属于声音信号处理技术领域，具体涉及一种基于特征融合网络的声源目标识别方法。本发明技术方案中，首先，两组训练稠密卷积编码‑解码网络对输入数据与人工提取特征分别训练编码网络抽象高级特征，基于稠密卷积的使用可以使我们能够训练深度更深的编码网络并增强重复特征的使用。其次，设计融合层融合两种编码网络提取的特征，最后利用一个卷积网络实现声源信号的分类。最终，本发明技术方案解决了现有技术中对识别精度产生负面影响、以及卷积网络当层数加深时还存在梯度消失或爆炸，特征重复利用率等缺陷的问题。
-
公开(公告)号：CN110580915B
公开(公告)日：2022-03-25
申请号：CN201910874151.2
申请日：2019-09-17
Applicant: 中北大学
Abstract: 本发明属于声音信号处理技术领域，具体涉及一种基于可穿戴式设备的声源目标识别系统。本发明技术方案中，首先，两组训练稠密卷积编码‑解码网络对输入数据与人工提取特征分别训练编码网络抽象高级特征，基于稠密卷积的使用可以使我们能够训练深度更深的编码网络并增强重复特征的使用。其次，设计融合层融合两种编码网络提取的特征，最后利用一个卷积网络实现声源信号的分类。最终，本发明技术方案解决了现有技术中对识别精度产生负面影响、以及卷积网络当层数加深时还存在梯度消失或爆炸，特征重复利用率等缺陷的问题。
-
公开(公告)号：CN110444225A
公开(公告)日：2019-11-12
申请号：CN201910874153.1
申请日：2019-09-17
Applicant: 中北大学
Abstract: 本发明属于声音信号处理技术领域，具体涉及一种基于特征融合网络的声源目标识别方法。本发明技术方案中，首先，两组训练稠密卷积编码-解码网络对输入数据与人工提取特征分别训练编码网络抽象高级特征，基于稠密卷积的使用可以使我们能够训练深度更深的编码网络并增强重复特征的使用。其次，设计融合层融合两种编码网络提取的特征，最后利用一个卷积网络实现声源信号的分类。最终，本发明技术方案解决了现有技术中对识别精度产生负面影响、以及卷积网络当层数加深时还存在梯度消失或爆炸，特征重复利用率等缺陷的问题。
-
公开(公告)号：CN110516650A
公开(公告)日：2019-11-29
申请号：CN201910823811.4
申请日：2019-09-02
Applicant: 中北大学
Abstract: 本发明涉及一种基于震动传感器阵列的浅层盲空间震源定位系统，包括预设震源、震动传感器阵列、特征参数提取模块、速度场模型构建模块、三维能量场图像生成模块、深度学习网络模块；本发明减少了传统浅层震源定位过程中定位参数提取、定位模型建模和定位模型解算等中间步骤，极大地提高了震源定位效率，消除了定位盲区，降低了震源定位精度对监测区域信道重建精度的依赖，为地下浅层震源定位提供一种新的震源定位系统。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
