CN116017257A - 一种喇叭的智能化生产方法及其*** - Google Patents
一种喇叭的智能化生产方法及其*** Download PDFInfo
- Publication number
- CN116017257A CN116017257A CN202310029674.3A CN202310029674A CN116017257A CN 116017257 A CN116017257 A CN 116017257A CN 202310029674 A CN202310029674 A CN 202310029674A CN 116017257 A CN116017257 A CN 116017257A
- Authority
- CN
- China
- Prior art keywords
- sound effect
- loudspeaker
- feature
- vector
- matrix
- 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.)
- Withdrawn
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及智能化生产技术领域,其具体地公开了一种喇叭的智能化生产方法及其***,其使用Clip模型对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号在高维空间中的时域特征和频域特征进行挖掘,并基于所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的频域信号特征来增强所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的时域特征的表达,进一步再基于两者的差异性特征来进行所述待测试喇叭的音质检测,通过这样的方式,从而能够对于喇叭的音质进行是否符合预定标准的检测,以此来保证喇叭的生产制造质量。
Description
技术领域
本申请涉及智能化生产技术领域,且更为具体地,涉及一种喇叭的智能化生产方法及其***。
背景技术
喇叭,也称扬声器,是一种现代的声电转换的换能器件,其主要由华司、磁铁、支架、调音纸、网布组成,用以把电信号转换为音频信号后播放,从而让使用者进行听歌、远距离交流等动作,因而已经成为了人类生活必不可少的元件之一。
喇叭生产过程中,需要音质测试。但是,在音质测试的过程中,需要保持安静的环境,防止噪声对测试环境带来干扰,并且,当两个喇叭同时进行音质测试时,会造成测试过程中一个喇叭对另一个喇叭的测试造成干扰,从而影响测试的精准度,造成生产出的喇叭质量达不到应有要求。
因此,期待一种优化的喇叭的智能化生产方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种喇叭的智能化生产方法及其***,其使用Clip模型对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号在高维空间中的时域特征和频域特征进行挖掘,并基于所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的频域信号特征来增强其时域特征的表达,进一步再基于所述待测试喇叭和所述参考喇叭的差异性特征挖掘来进行所述待测试喇叭的音质检测,通过这样的方式,从而能够对于喇叭的音质进行是否符合预定标准的检测,以此来保证喇叭的生产制造质量。
根据本申请的一个方面,提供了一种喇叭的智能化生产方法,其包括:
获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭;
对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值;
将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵;
将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵;
计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;
对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵;以及
将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
在上述喇叭的智能化生产方法中,所述将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵,包括:
将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量;
将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量;
使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵。
在上述喇叭的智能化生产方法中,所述第一Clip模型的图像编码器为作为过滤器的卷积神经网络模型。
在上述喇叭的智能化生产方法中,所述将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量,包括:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征图;以及。对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的第一层的输入为所述待测试喇叭的声效探测信号的波形图,所述卷积神经网络模型的第二层至最后一层的输入为上一层的输出,所述卷积神经网络模型的最后一层的输出为所述探测声效波形特征向量。
在上述喇叭的智能化生产方法中,所述第一Clip模型的序列编码器由交替排列的一维卷积层和全连接层组成。
在上述喇叭的智能化生产方法中,所述将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量,包括:
将所述多个声效探测频域统计特征值排列为输入向量;
使用所述序列编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及
使用序列编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述输入向量,Cov(X)表示对所述输入向量进行一维卷积编码。
在上述喇叭的智能化生产方法中,所述使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵,包括:
基于所述探测声效频域特征向量,以如下公式对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵;
其中,所述公式为:
其中,M是所述探测声效特征矩阵,V1是所述探测声效频域特征向量,V2是所述探测声效波形特征向量。
在上述喇叭的智能化生产方法中,所述计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵,包括:
以如下公式计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;
其中,所述公式为:
在上述喇叭的智能化生产方法中,所述对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵,包括:
以如下公式对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到所述优化差分特征矩阵;
其中,所述公式为:
其中Vi是所述差分特征矩阵中的沿着行向量方向的各个差分特征向量,Vj是所述差分特征矩阵的多个差分特征向量中与所述差分特征向量Vi之间的距离小于预定阈值的差分特征向量,ε表示预定阈值,d(Vi,Vj)表示所述差分特征向量Vj与所述差分特征向量Vi之间的距离,α为加权超参数,exp(·)表示向量的指数运算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,表示按位置差分,V′i表示所述优化差分特征矩阵中的沿着行向量方向的各个优化差分特征向量。
根据本申请的另一方面,提供了一种喇叭的智能化生产***,其包括:。
信号获取模块,用于获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭;
频域特征提取模块,用于对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值;
第一编码模块,用于将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵;
第二编码模块,用于将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵;
差分模块,用于计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;
矩阵优化模块,用于对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵;以及
分类模块,用于将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
与现有技术相比,本申请提供的一种喇叭的智能化生产方法及其***,其使用Clip模型对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号在高维空间中的时域特征和频域特征进行挖掘,并基于所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的频域信号特征来增强其时域特征的表达,进一步再基于所述待测试喇叭和所述参考喇叭的差异性特征挖掘来进行所述待测试喇叭的音质检测,通过这样的方式,从而能够对于喇叭的音质进行是否符合预定标准的检测,以此来保证喇叭的生产制造质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的喇叭的智能化生产方法流程图。
图2为根据本申请实施例的喇叭的智能化生产方法的***架构的示意图。
图3为根据本申请实施例的喇叭的智能化生产方法中,将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵的流程图。
图4为根据本申请实施例的喇叭的智能化生产方法中,将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量的流程图。
图5为根据本申请实施例的喇叭的智能化生产***的框图示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,喇叭生产过程中,需要音质测试。但是,在音质测试的过程中,需要保持安静的环境,防止噪声对测试环境带来干扰,并且,当两个喇叭同时进行音质测试时,会造成测试过程中一个喇叭对另一个喇叭的测试造成干扰,从而影响测试的精准度,造成生产出的喇叭质量达不到应有要求。因此,期待一种优化的喇叭的智能化生产方案。
相应地,考虑在实际进行喇叭的音质测试过程中,可以通过待测试喇叭的声效探测信号和音质合格的参考喇叭的声效探测信号的特征对比来实现,但是,由于在声效探测信号中,喇叭的音质特征难以进行捕捉提取,并且对于这两者的信号特征对比也较为困难,这都对于所述待测试喇叭的音质检测带来难度,导致检测的精准度较低。因此,为了能够提高对于所述待测试喇叭的音质检测的精准度,在本申请的技术方案中,选择将所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号分别在高维空间中进行时域和频域的特征挖掘,并基于声效探测信号的频域信号特征来增强其时域特征的表达,进一步再基于两者的差异性特征挖掘来进行所述待测试喇叭的音质检测,以此来提高检测的精准度。在此过程中,难点在于如何挖掘出所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号间的差异性特征分布信息,以此来准确地进行音质检测。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号间的差异性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭。然后,考虑到对于所述喇叭的声效探测信号来说,由于所述喇叭的声效探测信号是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述喇叭的声效探测信号相对较弱,其会受到外界噪声的干扰,导致对于喇叭的声效探测信号的特征提取准度较低,进而影响对于所述待测试喇叭音质的检测判断。而频域信号的特征却不同于时域信号,将所述喇叭的声效探测信号转换到频域中,能够通过所述喇叭的声效探测信号在频域中的隐含特征分布信息确定喇叭的音质状态,但是其在所述喇叭的声效探测信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述喇叭的声效探测信号在时域与频域上的隐含特征的结合的方式来进行所述待测试喇叭的音质检测。
具体地,考虑到所述喇叭的声效探测信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行信号的频域特征提取时,为了能够充分地挖掘出所述喇叭的声效探测信号在频域中的特征分布的关联特征信息,以此来提高所述待测试喇叭的音质检测的精度,进一步对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值。
然后,为了能够进一步提高对于所述喇叭的声效探测信号的特征提取,以提高对于喇叭音质检测精准度,进一步使用Clip模型来完成所述喇叭的声效探测信号的时域和频域的特征挖掘融合。也就是,具体地,对于所述待测试喇叭的声效探测信号来说,将所述待测试喇叭的声效探测信号的波形图通过第一Clip模型的图像编码器中进行处理,以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述待测试喇叭的声效探测信号的波形图中关于所述待测试喇叭的声效探测信号的时域隐含特征分布信息,从而得到探测声效波形特征向量。接着,再将所述多个声效探测频域统计特征值通过所述第一Clip模型的序列编码器中进行编码以得到探测声效频域特征向量。特别地,这里,所述第一Clip模型的序列编码器由交替排列的一维卷积层和全连接层组成,其通过一维卷积编码提取出所述各个声效探测频域统计特征值的关联特征,以及通过全连接编码提取所述各个声效探测频域统计特征值的高维隐含特征。
进一步地,再使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵。应可以理解,这里,使用所述第一Clip模型的联合编码器来进行所述待测试喇叭的声效探测信号的时域特征和频域特征的联合编码优化,以基于所述待测试喇叭的声效探测信号的频域特征分布对其时域特征分布进行特征优化表达,从而得到所述探测声效特征矩阵。
然后,对于所述参考喇叭的声效探测信号来说,为了提高对于所述待测试喇叭的音质检测的精准度,也将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵,以此来基于所述参考喇叭的声效探测信号的频域特征分布对其时域特征分布进行特征优化表达,进而提取出更为精准地关于所述参考喇叭的声效探测信号的隐含特征信息。
接着,在得到所述探测声效特征矩阵和所述参考声效特征矩阵后,进一步再计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵,以此来表示所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号在高维空间中的差异性特征分布信息。并以所述差分特征矩阵作为分类特征矩阵通过分类器中进行分类处理,从而得到用于表示待测试喇叭的音质是否符合预定标准的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括所述待测试喇叭的音质符合预定标准,以及,所述待测试喇叭的音质不符合预定标准,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。这样,能够对于喇叭的音质进行是否符合预定标准的检测,以此来保证喇叭的生产制造质量。
特别地,在本申请的技术方案中,在所述Clip模型中,通过以序列编码器获得的序列特征向量对图像编码器获得的图像特征向量进行编码来得到所述探测声效特征矩阵和所述参考声效特征矩阵,而由于所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的波形图图像语义和频域统计特征值的序列编码特征之间的差异,可能会导致计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分得到的差分特征矩阵的各个沿图像特征向量方向的差分特征向量,例如行向量之间的聚合度不足的问题,从而影响分类结果的准确性。
因此,本申请考虑到将所述差分特征矩阵中的每个差分特征向量看作单个图像语义节点的特征表示,且节点之间具有序列编码的关联拓扑,因此可以基于节点整体的拓扑结构来提升节点之间的类概率特征聚合度,具体地,计算每个差分特征向量的节点间类概率匹配特征向量,表示为:
Vi是每个差分特征向量,Vj是所述差分特征矩阵的多个差分特征向量中与所述差分特征向量Vi之间的距离,也就是,d(Vi,Vj)小于预定阈值(例如,阈值记为ε)的差分特征向量,α为加权超参数。
也就是,如果将预定差分特征向量Vi作为拓扑结构的节点,则对应的差分特征向量Vj可以被认为是在拓扑结构内部与所述节点Vi相连的节点,即i→j∈E,表示节点i与节点j之间具有边。这样,通过计算节点间类概率匹配特征向量,可以确定拓扑结构内的节点与相邻节点之间在类概率下的交互度,通过以其代替所述差分特征向量,可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度,相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制,从而提高了所述差分特征矩阵的表达效果,也就提高了所述差分特征矩阵的分类结果的准确性。这样,能够对于喇叭的音质进行准确地检测,以此来保证喇叭的生产制造质量。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的喇叭的智能化生产方法的流程图。如图1所示,根据本申请实施例的所述喇叭的智能化生产方法,包括:S110,获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭;S120,对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值;S130,将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵;S140,将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵;S150,计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;S160,对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵;以及,S170,将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
图2为根据本申请实施例的喇叭的智能化生产方法的***架构的示意图。如图2所示,在本申请实施例的所述喇叭的智能化生产方法的***架构中,首先,获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号。然后,对所述待测试喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值。接着,将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量,同时,将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量。再然后,使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵。同时,对所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效参考频域统计特征值。然后,将所述参考喇叭的声效探测信号的波形图输入所述第二Clip模型的图像编码器以得到参考声效波形特征向量,同时,将所述多个声效参考频域统计特征值输入所述第二Clip模型的序列编码器以得到参考声效频域特征向量。再然后,使用所述第二Clip模型的联合编码器来基于所述参考声效频域特征向量对所述参考声效波形特征向量进行特征属性编码优化以得到所述参考声效特征矩阵。再接着,计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分以得到差分特征矩阵,并对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵。最后,将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
在本申请实施例的步骤S110中,获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭。如上所述,考虑在实际进行喇叭的音质测试过程中,可以通过待测试喇叭的声效探测信号和音质合格的参考喇叭的声效探测信号的特征对比来实现,但是,由于在声效探测信号中,喇叭的音质特征难以进行捕捉提取,并且对于这两者的信号特征对比也较为困难,这都对于所述待测试喇叭的音质检测带来难度,导致检测的精准度较低。因此,为了能够提高对于所述待测试喇叭的音质检测的精准度,在本申请的技术方案中,选择将所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号分别在高维空间中进行时域和频域的特征挖掘,并基于声效探测信号的频域信号特征来增强其时域特征的表达,进一步再基于两者的差异性特征挖掘来进行所述待测试喇叭的音质检测,以此来提高检测的精准度。在此过程中,难点在于如何挖掘出所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号间的差异性特征分布信息,以此来准确地进行音质检测。
在本申请一个具体的示例中,通过声音传感器采集待测试喇叭的声效探测信号以及参考喇叭的声效探测信号。这里,参考喇叭为测试音质合格的喇叭。可以先通过声音传感器采集测试音质合格的喇叭的声效探测信号,并将其保存到服务器,需要时进行调用即可。
在本申请实施例的步骤S120中,对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值。应可以理解,考虑到对于所述喇叭的声效探测信号来说,由于所述喇叭的声效探测信号是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述喇叭的声效探测信号相对较弱,其会受到外界噪声的干扰,导致对于喇叭的声效探测信号的特征提取准度较低,进而影响对于所述待测试喇叭音质的检测判断。而频域信号的特征却不同于时域信号,将所述喇叭的声效探测信号转换到频域中,能够通过所述喇叭的声效探测信号在频域中的隐含特征分布信息确定喇叭的音质状态,但是其在所述喇叭的声效探测信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述喇叭的声效探测信号在时域与频域上的隐含特征的结合的方式来进行所述待测试喇叭的音质检测。
具体地,在本申请实施例中,考虑到所述喇叭的声效探测信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行信号的频域特征提取时,为了能够充分地挖掘出所述喇叭的声效探测信号在频域中的特征分布的关联特征信息,以此来提高所述待测试喇叭的音质检测的精度,进一步对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值。
在本申请实施例的步骤S130中,将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵。应可以理解,为了能够进一步提高对于所述喇叭的声效探测信号的特征提取,以提高对于喇叭音质检测精准度,进一步使用Clip模型来完成所述喇叭的声效探测信号的时域和频域的特征挖掘融合。
图3为根据本申请实施例的喇叭的智能化生产方法中,将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵的流程图。如图3所示,在本申请一个具体的示例中,所述将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵,包括:S210,将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量;S220,将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量;以及,S230,使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵。
具体地,在本申请实施例的步骤S210中,将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量。应可以理解,考虑到通过传感器采集的所述待测试喇叭的声效探测信号的波形图中具有十分丰富的隐含特征,而卷积神经网络模型在局部特征提取方面具有显著优势。因此,在本申请一个具体的示例中,所述第一Clip模型的图像编码器为作为过滤器的卷积神经网络模型。通过所述图像编码器的作为过滤器的卷积神经网络模型可以提取出所述待测试喇叭的声效探测信号的波形图中关于所述待测试喇叭的声效探测信号的时域隐含特征分布信息,从而得到探测声效波形特征向量。
更具体地,在本申请一个示例中,所述将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量,包括:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的第一层的输入为所述待测试喇叭的声效探测信号的波形图,所述卷积神经网络模型的第二层至最后一层的输入为上一层的输出,所述卷积神经网络模型的最后一层的输出为所述探测声效波形特征向量。
具体地,在本申请实施例的步骤S220中,再将所述多个声效探测频域统计特征值通过所述第一Clip模型的序列编码器中进行编码以得到探测声效频域特征向量。应可以理解,考虑到所述多个频域特征之间存在关联,但通过传统的时频域统计分析方法所获得的频域特征是浅层特征,其无法捕捉到各个频域特征之间的高维隐含关联信息,且这种关联信息更多是非线性的。因此,再将所述多个声效探测频域统计特征值通过所述第一Clip模型的序列编码器中进行编码以得到探测声效频域特征向量。特别地,这里,所述第一Clip模型的序列编码器由交替排列的一维卷积层和全连接层组成,其通过一维卷积编码提取出所述各个声效探测频域统计特征值的关联特征,以及通过全连接编码提取所述各个声效探测频域统计特征值的高维隐含特征。
图4为根据本申请实施例的喇叭的智能化生产方法中,将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量的流程图。如图4所示,在本申请一个具体的示例中,所述将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量,包括:S310,将所述多个声效探测频域统计特征值排列为输入向量;S320,使用所述序列编码器的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征;以及,S330,使用序列编码器的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征。
具体地,所述序列编码器的全连接层使用如下公式对所述输入向量进行全连接编码:其中,所述公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘法。所述序列编码器的一维卷积层使用如下公式对所述输入向量进行一维卷积编码,其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述输入向量,Cov(X)表示对所述输入向量进行一维卷积编码
具体地,在本申请实施例的步骤S230中,再使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵。应可以理解,这里,使用所述第一Clip模型的联合编码器来进行所述待测试喇叭的声效探测信号的时域特征和频域特征的联合编码优化,以基于所述待测试喇叭的声效探测信号的频域特征分布对其时域特征分布进行特征优化表达,从而得到所述探测声效特征矩阵。
在本申请一个具体的示例中,所述使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵,包括:基于所述探测声效频域特征向量,以如下公式对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵;
其中,所述公式为:
在本申请实施例的步骤S140中,将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵。同样,对于所述参考喇叭的声效探测信号来说,为了提高对于所述待测试喇叭的音质检测的精准度,也将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵,以此来基于所述参考喇叭的声效探测信号的频域特征分布对其时域特征分布进行特征优化表达,进而提取出更为精准地关于所述参考喇叭的声效探测信号的隐含特征信息。
在本申请一个具体的示例中,将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵,包括:将所述参考喇叭的声效探测信号的波形图输入所述第二Clip模型的图像编码器以得到参考声效波形特征向量;将所述多个声效参考频域统计特征值输入所述第二Clip模型的序列编码器以得到参考声效频域特征向量;以及,使用所述第二Clip模型的联合编码器来基于所述参考声效频域特征向量对所述参考声效波形特征向量进行特征属性编码优化以得到所述参考声效特征矩阵。
在本申请实施例的步骤S150中,计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵。也就是,在得到所述探测声效特征矩阵和所述参考声效特征矩阵后,进一步再计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵,以此来表示所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号在高维空间中的差异性特征分布信息。
在本申请一个具体的示例中,所述计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵,包括:以如下公式计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;
其中,所述公式为:
在本申请实施例的步骤S160中,对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵。特别地,在本申请的技术方案中,在所述Clip模型中,通过以序列编码器获得的序列特征向量对图像编码器获得的图像特征向量进行编码来得到所述探测声效特征矩阵和所述参考声效特征矩阵,而由于所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的波形图图像语义和频域统计特征值的序列编码特征之间的差异,可能会导致计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分得到的差分特征矩阵的各个沿图像特征向量方向的差分特征向量,例如行向量之间的聚合度不足的问题,从而影响分类结果的准确性。因此,本申请考虑到将所述差分特征矩阵中的每个差分特征向量看作单个图像语义节点的特征表示,且节点之间具有序列编码的关联拓扑,因此可以基于节点整体的拓扑结构来提升节点之间的类概率特征聚合度,具体地,计算每个差分特征向量的节点间类概率匹配特征向量。
在本申请一个具体的示例中,所述对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵,包括:以如下公式对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到所述优化差分特征矩阵;
其中,所述公式为:
其中Vi是所述差分特征矩阵中的沿着行向量方向的各个差分特征向量,Vj是所述差分特征矩阵的多个差分特征向量中与所述差分特征向量Vi之间的距离小于预定阈值的的差分特征向量,ε表示预定阈值,d(Vi,Vj)表示所述差分特征向量Vj与所述差分特征向量Vi之间的距离,α为加权超参数,exp(·)表示向量的指数运算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,表示按位置差分,V′i表示所述优化差分特征矩阵中的沿着行向量方向的各个优化差分特征向量。
也就是,如果将预定差分特征向量Vi作为拓扑结构的节点,则对应的差分特征向量Vj可以被认为是在拓扑结构内部与所述节点Vi相连的节点,即i→j∈E,表示节点i与节点j之间具有边。这样,通过计算节点间类概率匹配特征向量,可以确定拓扑结构内的节点与相邻节点之间在类概率下的交互度,通过以其代替所述差分特征向量,可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度,相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制,从而提高了所述差分特征矩阵的表达效果,也就提高了所述差分特征矩阵的分类结果的准确性。这样,能够对于喇叭的音质进行准确地检测,以此来保证喇叭的生产制造质量。
在本申请实施例的步骤S170中,将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。也就是,在本申请的技术方案中,所述分类器的标签包括所述待测试喇叭的音质符合预定标准,以及,所述待测试喇叭的音质不符合预定标准,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。这样,能够对于喇叭的音质进行是否符合预定标准的检测,以此来保证喇叭的生产制造质量。
在本申请一个具体的示例中,将所述优化差分特征矩阵通过分类器以得到分类结果,包括:将所述优化差分特征矩阵投影为一维的分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码特征向量,这里,使用全连接层进行全连接编码是为了充分利用所述优化差分特征矩阵中每个位置的特征信息;将所述编码特征向量通过所述分类器的Softmax分类函数以得到归属于所述待测试喇叭的音质符合预定标准的第一概率以及归属于所述待测试喇叭的音质不符合预定标准的第二概率;以及基于所述第一概率和所述第二概率之间的比较,确定所述分类结果,也就是当第一概率大于第二概率时,所述分类结果为所述待测试喇叭的音质符合预定标准,反之,则为待测试喇叭的音质不符合预定标准。
综上,基于本申请实施例的所述喇叭的智能化生产方法已被阐明,其使用Clip模型对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号在高维空间中的时域特征和频域特征进行挖掘,并基于所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号的频域信号特征来增强其时域特征的表达,进一步再基于所述待测试喇叭和所述参考喇叭的差异性特征挖掘来进行所述待测试喇叭的音质检测,通过这样的方式,从而能够对于喇叭的音质进行是否符合预定标准的检测,以此来保证喇叭的生产制造质量。
示例性***
图5为根据本申请实施例的喇叭的智能化生产***的框图示意图。如图5所示,根据本申请实施例的所述喇叭的智能化生产***100,包括:信号获取模块110,用于获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭;频域特征提取模块120,用于对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值;第一编码模块130,用于将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵;第二编码模块140,用于将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵;差分模块150,用于计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;矩阵优化模块160,用于对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵;以及,分类模块170,用于将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
这里,本领域技术人员可以理解,上述喇叭的智能化生产***中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的喇叭的智能化生产方法的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种喇叭的智能化生产方法,其特征在于,包括:
获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭;
对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值;
将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵;
将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵;
计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;
对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵;以及
将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
2.根据权利要求1所述的喇叭的智能化生产方法,其特征在于,所述将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵,包括:
将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量;
将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量;以及
使用所述第一Clip模型的联合编码器来基于所述探测声效频域特征向量对所述探测声效波形特征向量进行特征属性编码优化以得到所述探测声效特征矩阵。
3.根据权利要求2所述的喇叭的智能化生产方法,其特征在于,所述第一Clip模型的图像编码器为作为过滤器的卷积神经网络模型。
4.根据权利要求3所述的喇叭的智能化生产方法,其特征在于,所述将所述待测试喇叭的声效探测信号的波形图输入所述第一Clip模型的图像编码器以得到探测声效波形特征向量,包括:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述卷积神经网络模型的第一层的输入为所述待测试喇叭的声效探测信号的波形图,所述卷积神经网络模型的第二层至最后一层的输入为上一层的输出,所述卷积神经网络模型的最后一层的输出为所述探测声效波形特征向量。
5.根据权利要求4所述的喇叭的智能化生产方法,其特征在于,所述第一Clip模型的序列编码器由交替排列的一维卷积层和全连接层组成。
6.根据权利要求5所述的喇叭的智能化生产方法,其特征在于,所述将所述多个声效探测频域统计特征值输入所述第一Clip模型的序列编码器以得到探测声效频域特征向量,包括:
将所述多个声效探测频域统计特征值排列为输入向量;
使用所述序列编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘法;以及
使用序列编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述输入向量,Cov(X)表示对所述输入向量进行一维卷积编码。
9.根据权利要求8所述的喇叭的智能化生产方法,其特征在于,所述对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵,包括:
以如下公式对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到所述优化差分特征矩阵;
其中,所述公式为:
10.一种喇叭的智能化生产***,其特征在于,包括:。
信号获取模块,用于获取待测试喇叭的声效探测信号以及参考喇叭的声效探测信号,所述参考喇叭为测试音质合格的喇叭;
频域特征提取模块,用于对所述待测试喇叭的声效探测信号和所述参考喇叭的声效探测信号进行傅里叶变换以得到多个声效探测频域统计特征值和多个声效参考频域统计特征值;
第一编码模块,用于将所述待测试喇叭的声效探测信号的波形图和所述多个声效探测频域统计特征值通过包含图像编码器和序列编码器的第一Clip模型以得到探测声效特征矩阵;
第二编码模块,用于将所述参考喇叭的声效探测信号的波形图和所述多个声效参考频域统计特征值通过包含图像编码器和序列编码器的第二Clip模型以得到参考声效特征矩阵;
差分模块,用于计算所述探测声效特征矩阵和所述参考声效特征矩阵之间的差分特征矩阵;
矩阵优化模块,用于对所述差分特征矩阵中的沿着行向量方向的各个差分特征向量进行特征聚合度优化以得到优化差分特征矩阵;以及
分类模块,用于将所述优化差分特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待测试喇叭的音质是否符合预定标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029674.3A CN116017257A (zh) | 2023-01-09 | 2023-01-09 | 一种喇叭的智能化生产方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029674.3A CN116017257A (zh) | 2023-01-09 | 2023-01-09 | 一种喇叭的智能化生产方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116017257A true CN116017257A (zh) | 2023-04-25 |
Family
ID=86029843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029674.3A Withdrawn CN116017257A (zh) | 2023-01-09 | 2023-01-09 | 一种喇叭的智能化生产方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116017257A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117825508A (zh) * | 2024-01-12 | 2024-04-05 | 广东滨洲建筑工程有限公司 | 基于建筑楼体环保材料生产方法 |
-
2023
- 2023-01-09 CN CN202310029674.3A patent/CN116017257A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117825508A (zh) * | 2024-01-12 | 2024-04-05 | 广东滨洲建筑工程有限公司 | 基于建筑楼体环保材料生产方法 |
CN117825508B (zh) * | 2024-01-12 | 2024-06-11 | 广东滨洲建筑工程有限公司 | 基于建筑楼体环保材料生产方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN116403590B (zh) | 基于小波变换与生成对抗网络的仿生信号处理方法 | |
CN112289338B (zh) | 信号处理方法及装置、计算机设备以及可读存储介质 | |
CN114692665B (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN116017257A (zh) | 一种喇叭的智能化生产方法及其*** | |
CN115602152B (zh) | 一种基于多阶段注意力网络的语音增强方法 | |
CN113113030A (zh) | 一种基于降噪自编码器的高维受损数据无线传输方法 | |
CN116703928B (zh) | 一种基于机器学习的汽车零部件生产检测方法及*** | |
CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其*** | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
Cao et al. | Underwater target classification at greater depths using deep neural network with joint multiple‐domain feature | |
Sun et al. | Joint dictionary learning using a new optimization method for single-channel blind source separation | |
CN116405100B (zh) | 一种基于先验知识的失真信号还原方法 | |
CN117076858B (zh) | 一种基于深度学习的低频大地电磁强干扰压制方法及*** | |
CN113435276A (zh) | 一种基于对抗残差网络的水声目标识别方法 | |
CN116306780B (zh) | 一种动态图链接生成方法 | |
CN110580915B (zh) | 基于可穿戴式设备的声源目标识别*** | |
Ma et al. | Radar working mode recognition based on hierarchical feature representation and clustering | |
Xu et al. | A novel robust zero-watermarking algorithm for audio based on sparse representation | |
CN115267462B (zh) | 一种基于自适应标签生成的局部放电类型识别方法 | |
Cui et al. | Research on the enhancement of machine fault evaluation model based on data-driven |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230425 |