CN113283331A - 用于无人值守传感器***的多类别目标识别方法及*** - Google Patents
用于无人值守传感器***的多类别目标识别方法及*** Download PDFInfo
- Publication number
- CN113283331A CN113283331A CN202110551344.1A CN202110551344A CN113283331A CN 113283331 A CN113283331 A CN 113283331A CN 202110551344 A CN202110551344 A CN 202110551344A CN 113283331 A CN113283331 A CN 113283331A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- signal
- time domain
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000009432 framing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于无人值守传感器***的多类别目标识别方法及***,此方法包括步骤:S1、数据预处理:对无人值守传感器设备获取的原始数据进行分帧;S2、信号特征提取:同时提取分帧后的数据的多段独立时域特征;S3、卷积神经网络模型训练:将步骤S2得到的多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;S4、信号识别:通过步骤S3建立的卷积神经网络模型对信号进行识别,得到识别结果。本发明具有操作简便、计算量小、识别率高、可以在嵌入式***中应用等优点。
Description
技术领域
本发明主要涉及多目标模式识别技术领域,具体涉及一种用于无人值守传感器***的多类别目标识别方法及***。
背景技术
传统的无人值守传感器***中目标识别方法包括:过零分析、小波变换、卷积神经网络、循环神经网络等,前两种识别方法比较简单,但性能较差,环境适应性也不好,后两种计算量大,难于应用于计算资源相对有限的微处理器中,实际应用受限。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种计算量小、识别率高的用于无人值守传感器***的多类别目标识别方法及***。
为解决上述技术问题,本发明提出的技术方案为:
一种用于无人值守传感器***的多类别目标识别方法,包括步骤:
S1、数据预处理:对无人值守传感器设备获取的原始数据进行分帧;
S2、信号特征提取:同时提取分帧后的数据的多段独立时域特征;
S3、卷积神经网络模型训练:将步骤S2得到的多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;
S4、信号识别:通过步骤S3建立的卷积神经网络模型对信号进行识别,得到识别结果。
作为上述技术方案的进一步改进:
在步骤S2中,独立时域特征共分三段,分别为:
采用固定时间间隔提取信号的峰峰值作为第一个时域特征以压缩数据量;
采用固定时间间隔提取信号的能量和作为第二个时域特征以压缩数据量;
对一帧数据计算Welch方法的功率谱,并选取有效低频部分作为第三个时域特征以压缩数据量。
在步骤S3中,使用单通道卷积神经网络或者三通道卷积神经网络进行训练;当使用单通道卷积神经网络时,则多个时域特征量可以选取不同宽度,并且合并输入至单通道卷积神经网络进行训练;当使用三通道卷积神经网络,则三个时域特征量数目应该相同。
在步骤S1中,首先对原始数据进行滤波,再进行分帧。
滤波过程:首先对信号进行低通滤波,滤除高频噪声;然后对信号进行陷波滤波或梳状滤波,滤除工频及其谐波干扰。
在步骤S4中,对信号进行连续识别,在次数超过多次时才得到识别结果。
在步骤S3中,根据步骤S2计算出其独立时域特征并组合在一起,输入到卷积神经网络进行训练;根据信号的类别,组合特征量确定标签,0代表环境信号或无信号,1代表走路或跑步,2代表车辆经过信号。
本发明还公开了一种用于无人值守传感器***的多类别目标识别***,包括:
数据预处理模块,用于对无人值守传感器设备获取的原始数据进行分帧;
信号特征提取模块,用于同时提取分帧后数据的多段独立时域特征;
卷积神经网络模型训练模块,用于将多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;
信号识别模块,用于通过建立的卷积神经网络模型对信号进行识别,得到识别结果。
本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的用于无人值守传感器***的多类别目标识别方法的步骤。
本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的用于无人值守传感器***的多类别目标识别方法的步骤。
与现有技术相比,本发明的优点在于:
本发明通过大量样本训练卷积神经网络得到训练模型,模型识别具有普适性;只要目标信号的不同时域有差异,该方法就能获得比较好的识别性能;通过时域特征量的提取,减少了卷积神经网络输入数据,极大降低了运算过程的计算量,使得在计算资源有限的微处理器上也能实现神经网络计算,算法能部署到嵌入式***中;作为一项应用,本发明对人员和车辆的识别准确率较高,分别达到98%和93%。
本发明在进行分帧之前,对无人值守传感器设备获取的原始数据进行滤波:由于目标信号通常为低频信号,噪声为高频信号,因此首先对信号进行低通滤波,截止频率为100Hz,尽可能保留目标信号,滤除高频噪声;然后对信号进行陷波滤波(如陷波频率为50Hz)或梳状滤波,滤除工频及其谐波干扰。
本发明为了减小计算量,使得微控制器也能进行卷积神经网络的运算,对输入卷积神经网络的数据量进行限制,因此采用提取信号特征的方法,具体为:采用固定时间间隔提取信号的峰峰值作为第一个时域特征以压缩数据量;采用固定时间间隔提取信号的能量和作为第二个时域特征以压缩数据量;对一帧数据计算Welch方法的功率谱,并选取有效低频部分作为第三个时域特征以压缩数据量。其中信号包含三个时域特征,同时使用三个时域特征可以获得较好的识别效果。
本发明对信号进行连续识别,在次数超过多次时才得到识别结果,可以进一步提高准确率,降低误报率。本发明已在带有FPU的普通单片机上实现,算法简单、方便、准确率高、能实时检测人员和车辆,并且可以很容易拓展到更多类型信号的识别上,方法具有很强的普适性,极具实用价值。
附图说明
图1是本发明的方法在实施例的流程图。
图2是本发明在具体应用实例中卷积神经网络模型训练的准确率示意图,实线代表测试集,点线代表训练集;
图3是本发明在具体应用实例中卷积神经网络模型训练的损失函数示意图,实线代表测试集,点线代表训练集;
图4是本发明在具体应用实例中卷积神经网络训练训练集的分类指标的文本报告,包含各类别的精确度、召回率、F1值等信息,0代表环境噪声/无信号,1代表人员,2代表车辆;
图5是本发明在具体应用实例中卷积神经网络训练测试集的分类指标的文本报告,包含各类别的精确度、召回率、F1值等信息,0代表环境噪声/无信号,1代表人员,2代表车辆。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示,本实施例的用于无人值守传感器***的多类别目标识别方法,是一种基于特征提取和卷积神经网络在无人值守传感器***中的多目标识别方法,其具体步骤包括:
S1、数据预处理:对无人值守传感器设备获取的原始数据进行分帧;
S2、信号特征提取:同时提取分帧后的数据的多段独立时域特征;
S3、卷积神经网络模型训练:将步骤S2得到的多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;
S4、信号识别:通过步骤S3建立的卷积神经网络模型对信号进行识别,得到识别结果。
本发明的用于无人值守传感器***的多类别目标识别方法,通过大量样本训练卷积神经网络得到训练模型,模型识别具有普适性;只要目标信号的不同时域有差异,该方法就能获得比较好的识别性能;通过时域特征量的提取,减少了卷积神经网络输入数据,极大降低了运算过程的计算量,使得在计算资源有限的微处理器上也能实现神经网络计算,算法能部署到嵌入式***中;作为一项应用,本发明对人员和车辆的识别准确率较高,分别达到98%和93%。
在一具体实施例中,在步骤S1中,具体根据微控制器处理能力和实时性要求,选取固定时间长度信号进行分帧,如可以选取2048ms、4096ms等时间长度以方便快速计算频谱。
进一步地,在进行分帧之前,对无人值守传感器设备获取的原始数据(由行人或车辆等经过产生的地面震动而输出的模拟电压信号等)进行滤波:由于目标信号通常为低频信号,噪声为高频信号,因此首先对信号进行低通滤波,截止频率为100Hz,尽可能保留目标信号,滤除高频噪声;然后对信号进行陷波滤波(如陷波频率为50Hz)或梳状滤波,滤除工频及其谐波干扰。
在一具体实施例中,在步骤S2中,为了减小计算量,使得微控制器也能进行卷积神经网络的运算,需要对输入卷积神经网络的数据量进行限制,因此采用提取信号特征的方法,具体为:采用固定时间间隔提取信号的峰峰值作为第一个时域特征以压缩数据量;采用固定时间间隔提取信号的能量和作为第二个时域特征以压缩数据量;对一帧数据计算Welch方法的功率谱,并选取有效低频部分,例如1Hz~90Hz频谱数值作为第三个时域特征以压缩数据量。其中信号包含三个时域特征,同时使用三个时域特征可以获得比使用单一特征更好的识别效果。
提取时域特征可以采用的固定时间间隔越宽,特征量越少,计算量越小,识别性能也会下降,因此在间隔宽度和识别性能之间取得平衡。另外,针对功耗要求极其严格,处理能力很低的微处理器,甚至可以在牺牲少量性能的情况下,只采用时域特征来进一步降低计算量。
在一具体实施例中,在步骤S3中,使用单通道卷积神经网络或者三通道卷积神经网络进行训练;当使用单通道卷积神经网络时,则多个时域特征量可以选取不同宽度,并且合并输入至单通道卷积神经网络进行训练;当使用三通道卷积神经网络,则三个时域特征量数目应该相同。
另外,根据步骤S2计算出其独立时域特征并组合在一起,输入到卷积神经网络进行训练;根据信号的类别,组合特征量确定标签,比如0代表环境信号或无信号,1代表单人(或多人)走路或跑步,2代表车辆经过信号。
步骤S2的样本需要在不同环境和条件下采集,样本量尽可能大,以提高训练出来的神经网络的环境适应性。另外对不同时域特征有差异的其它类别目标信号,也可以添加进样本进行训练,增加算法识别目标种类。
图2和图3是卷积神经网络模型训练的准确率图和损失函数图,点线是训练集,实线是训练集,训练样本数量总数是28747,其中环境样本数为18853,人员走路跑步样本数为8298,车辆样本数为1596,测试样本数量是6694,其中环境样本数为2758,脚步样本数为3671,车辆样本数为265。模型迭代次数为100次,10次即开始收敛,最终模型的测试准确率为人员98%,车辆93%。
另外,图4和图5是本发明在具体应用实例中卷积神经网络训练训练集和测试集的分类指标的文本报告,包含各类别的精确度、召回率、F1值等信息,0代表环境噪声/无信号,1代表人员,2代表车辆。
在一具体实施例中,在步骤S4中,对信号进行连续识别,在次数超过多次时才得到识别结果,可以进一步提高准确率,降低误报率。
以上算法已在带有FPU的普通单片机上实现,算法简单、方便、准确率高、能实时检测人员和车辆,并且可以很容易拓展到更多类型信号的识别上,方法具有很强的普适性,极具实用价值。
本发明还公开了一种用于无人值守传感器***的多类别目标识别***,包括:
数据预处理模块,用于对无人值守传感器设备获取的原始数据进行分帧;
信号特征提取模块,用于同时提取分帧后数据的多段独立时域特征;
卷积神经网络模型训练模块,用于将多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;
信号识别模块,用于:通过建立的卷积神经网络模型对信号进行识别,得到识别结果。
本发明的上述识别***,与上述识别方法相对应,同样具有如上方法所述的优点。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的用于无人值守传感器***的多类别目标识别方法的步骤。本发明进一步公开了一种计算机设备,包括存储器和处理器,存储器上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的用于无人值守传感器***的多类别目标识别方法的步骤。本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现各种功能。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种用于无人值守传感器***的多类别目标识别方法,其特征在于,包括步骤:
S1、数据预处理:对无人值守传感器设备获取的原始数据进行分帧;
S2、信号特征提取:同时提取分帧后的数据的多段独立时域特征;
S3、卷积神经网络模型训练:将步骤S2得到的多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;
S4、信号识别:通过步骤S3建立的卷积神经网络模型对信号进行识别,得到识别结果。
2.根据权利要求1所述的用于无人值守传感器***的多类别目标识别方法,其特征在于,在步骤S2中,独立时域特征共分三段,分别为:
采用固定时间间隔提取信号的峰峰值作为第一个时域特征以压缩数据量;
采用固定时间间隔提取信号的能量和作为第二个时域特征以压缩数据量;
对一帧数据计算Welch方法的功率谱,并选取有效低频部分作为第三个时域特征以压缩数据量。
3.根据权利要求2所述的用于无人值守传感器***的多类别目标识别方法,其特征在于,在步骤S3中,使用单通道卷积神经网络或者三通道卷积神经网络进行训练;当使用单通道卷积神经网络时,则多个时域特征量可以选取不同宽度,并且合并输入至单通道卷积神经网络进行训练;当使用三通道卷积神经网络,则三个时域特征量数目应该相同。
4.根据权利要求1~3中任意一项所述的用于无人值守传感器***的多类别目标识别方法,其特征在于,在步骤S1中,首先对原始数据进行滤波,再进行分帧。
5.根据权利要求4所述的用于无人值守传感器***的多类别目标识别方法,其特征在于,滤波过程为:首先对信号进行低通滤波,滤除高频噪声;然后对信号进行陷波滤波或梳状滤波,滤除工频及其谐波干扰。
6.根据权利要求1~3中任意一项所述的用于无人值守传感器***的多类别目标识别方法,其特征在于,在步骤S4中,对信号进行连续识别,在次数超过多次时才得到识别结果。
7.根据权利要求1~3中任意一项所述的用于无人值守传感器***的多类别目标识别方法,其特征在于,在步骤S3中,根据步骤S2计算出其独立时域特征并组合在一起,输入到卷积神经网络进行训练;根据信号的类别,组合特征量确定标签,0代表环境信号或无信号,1代表走路或跑步,2代表车辆经过信号。
8.一种用于无人值守传感器***的多类别目标识别***,其特征在于,包括:
数据预处理模块,用于对无人值守传感器设备获取的原始数据进行分帧;
信号特征提取模块,用于同时提取分帧后数据的多段独立时域特征;
卷积神经网络模型训练模块,用于将多段独立时域特征作为训练样本,输入到卷积神经网络中训练,建立卷积神经网络模型;
信号识别模块,用于通过建立的卷积神经网络模型对信号进行识别,得到识别结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述的用于无人值守传感器***的多类别目标识别方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述的用于无人值守传感器***的多类别目标识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551344.1A CN113283331B (zh) | 2021-05-20 | 2021-05-20 | 用于无人值守传感器***的多类别目标识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551344.1A CN113283331B (zh) | 2021-05-20 | 2021-05-20 | 用于无人值守传感器***的多类别目标识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283331A true CN113283331A (zh) | 2021-08-20 |
CN113283331B CN113283331B (zh) | 2023-11-14 |
Family
ID=77280191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551344.1A Active CN113283331B (zh) | 2021-05-20 | 2021-05-20 | 用于无人值守传感器***的多类别目标识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283331B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089676A (zh) * | 2021-11-23 | 2022-02-25 | 中国航空工业集团公司洛阳电光设备研究所 | 一种关键符号监控链路及监控方法 |
CN114584924A (zh) * | 2022-02-28 | 2022-06-03 | 长沙融创智胜电子科技有限公司 | 一种智能无人值守传感器***及目标识别方法 |
CN114626412A (zh) * | 2022-02-28 | 2022-06-14 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器***的多类别目标识别方法及*** |
CN116070174A (zh) * | 2023-03-23 | 2023-05-05 | 长沙融创智胜电子科技有限公司 | 一种多类别目标识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
CN109493886A (zh) * | 2018-12-13 | 2019-03-19 | 西安电子科技大学 | 基于特征选择和优化的语音情感识别方法 |
CN110164472A (zh) * | 2019-04-19 | 2019-08-23 | 天津大学 | 基于卷积神经网络的噪声分类方法 |
CN110738984A (zh) * | 2019-05-13 | 2020-01-31 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络语音识别*** |
AU2020100052A4 (en) * | 2020-01-10 | 2020-02-13 | Gao, Yiang Mr | Unattended video classifying system based on transfer learning |
CN111326178A (zh) * | 2020-02-27 | 2020-06-23 | 长沙理工大学 | 基于卷积神经网络的多模态语音情感识别***及方法 |
-
2021
- 2021-05-20 CN CN202110551344.1A patent/CN113283331B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
CN109493886A (zh) * | 2018-12-13 | 2019-03-19 | 西安电子科技大学 | 基于特征选择和优化的语音情感识别方法 |
CN110164472A (zh) * | 2019-04-19 | 2019-08-23 | 天津大学 | 基于卷积神经网络的噪声分类方法 |
CN110738984A (zh) * | 2019-05-13 | 2020-01-31 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络语音识别*** |
AU2020100052A4 (en) * | 2020-01-10 | 2020-02-13 | Gao, Yiang Mr | Unattended video classifying system based on transfer learning |
CN111326178A (zh) * | 2020-02-27 | 2020-06-23 | 长沙理工大学 | 基于卷积神经网络的多模态语音情感识别***及方法 |
Non-Patent Citations (3)
Title |
---|
MADIHALLY J: "Block Adaptive Filter With Time-Domain Update Using Three Transforms", 《IEEE SIGNAL PROCESSING LETTERS ( VOLUME: 14, ISSUE: 1, JANUARY 2007)》, pages 51 - 53 * |
张弘斌: "采用多通道样本和深度卷积神经网络的轴承故障诊断方法", 《西安交通大学学报》, vol. 54, no. 8, pages 58 - 66 * |
邵兵;杜鹏飞;: "基于卷积神经网络的语音情感识别方法", 科技创新导报, no. 06 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089676A (zh) * | 2021-11-23 | 2022-02-25 | 中国航空工业集团公司洛阳电光设备研究所 | 一种关键符号监控链路及监控方法 |
CN114584924A (zh) * | 2022-02-28 | 2022-06-03 | 长沙融创智胜电子科技有限公司 | 一种智能无人值守传感器***及目标识别方法 |
CN114626412A (zh) * | 2022-02-28 | 2022-06-14 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器***的多类别目标识别方法及*** |
CN114626412B (zh) * | 2022-02-28 | 2024-04-02 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器***的多类别目标识别方法及*** |
CN114584924B (zh) * | 2022-02-28 | 2024-05-31 | 长沙融创智胜电子科技有限公司 | 一种智能无人值守传感器***及目标识别方法 |
CN116070174A (zh) * | 2023-03-23 | 2023-05-05 | 长沙融创智胜电子科技有限公司 | 一种多类别目标识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113283331B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283331B (zh) | 用于无人值守传感器***的多类别目标识别方法及*** | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
CN106899968A (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
CN110929581A (zh) | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 | |
CN104771178A (zh) | 身份识别的方法及装置 | |
CN112269182B (zh) | 目标雷达信号的确定方法和装置、存储介质、电子装置 | |
CN115935144A (zh) | 一种运检维护数据去噪重构方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
CN109068024A (zh) | 一种对时空信号进行滤波的方法 | |
WO2023077592A1 (zh) | 一种智能心电信号处理方法 | |
CN110764152A (zh) | 一种无人机快速检测与识别的装置及方法 | |
Xie et al. | Detecting frog calling activity based on acoustic event detection and multi-label learning | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤*** | |
CN110146922A (zh) | 高速铁路地震预警***单双地震计干扰识别方法 | |
CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 | |
CN110197120B (zh) | 用于无人值守传感器***的人员目标识别方法 | |
CN110472540B (zh) | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 | |
CN106707789A (zh) | 一种基于指纹识别的智能家居控制*** | |
CN114626412B (zh) | 用于无人值守传感器***的多类别目标识别方法及*** | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN111814729A (zh) | 一种智能交通***信号调制识别方法 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |