公开(公告)号：CN113327632B

公开(公告)日：2023-07-28

申请号：CN202110523125.2

申请日：2021-05-13

Applicant: 南京邮电大学

Inventor： 苏新萍 ,  王晨 ,  邵曦 ,  姚瑶 ,  邱慧贞

IPC: G10L25/78 ,  G10L25/51 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明公开了一种基于字典学习的无监督异常声检测方法和装置，包括：生成训练集和测试集，训练集中只有正常运行状态下的机械声音频样本；对训练集中的样本数据进行预处理，分隔得到若干个音频帧；对音频帧进行特征提取，采用K‑SVD算法和OMP算法求解得到音频的本质特征和训练集稀疏系数；将求解得到的音频的本质特征和稀疏系数导入分类模型，对模型进行训练；该分类模型用于对导入的测试集稀疏系数进行处理，输出该测试集稀疏系数对应的音频样本的类别。本发明能够采用传统特征参数进行字典学习和稀疏表示进行样本更加精确的分类从而提高机械检测灵敏度和准确度。

公开(公告)号：CN114462475A

公开(公告)日：2022-05-10

申请号：CN202111575693.3

申请日：2021-12-21

Applicant: 南京邮电大学

Inventor： 王晨 ,  苏新萍 ,  邵曦 ,  姚瑶

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于单分类算法的无监督机器异常声检测方法和装置，包括：获取处于运行状态的待检测设备音频样本，训练集中只有正常运行状态下的音频样本，测试集中同时含有正常运行状态下和异常运行状态下的音频样本；对音频帧进行传统特征提取；采用K‑SVD算法和OMP算法求解得到更新字典和训练集稀疏系数，并将其导入单分类支持向量机分类模型；将测试集稀疏系数导入分类模型中进行检测，输出该测试集稀疏系数对应的标签类别。本发明克服了机器设备异常声音样本较少甚至不可用的难题，在特征提取后进行稀疏表示和字典学习，相比于直接输入原始特征，加大特征之间的区别度，在提高了异常数据检测的正确率的同时大大降低了检测时间。

公开(公告)号：CN113327632A

公开(公告)日：2021-08-31

申请号：CN202110523125.2

申请日：2021-05-13

Applicant: 南京邮电大学

Inventor： 苏新萍 ,  王晨 ,  邵曦 ,  姚瑶 ,  邱慧贞

IPC: G10L25/78 ,  G10L25/51 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于字典学习的无监督异常声检测方法和装置，包括：生成训练集和测试集，训练集中只有正常运行状态下的机械声音频样本；对训练集中的样本数据进行预处理，分隔得到若干个音频帧；对音频帧进行特征提取，采用K‑SVD算法和OMP算法求解得到音频的本质特征和训练集稀疏系数；将求解得到的音频的本质特征和稀疏系数导入分类模型，对模型进行训练；该分类模型用于对导入的测试集稀疏系数进行处理，输出该测试集稀疏系数对应的音频样本的类别。本发明能够采用传统特征参数进行字典学习和稀疏表示进行样本更加精确的分类从而提高机械检测灵敏度和准确度。