CN114065809B 一种乘用车异响识别方法、装置、电子设备以及存储介质 （浙江吉利控股集团有限公司）

本发明涉及一种乘用车异响识别方法、装S1)针对有限的数据集，利用数据扩充技术完成数据集的增广；步骤S2)利用并行深度学习网络机制，完成对MFCC特征的空间及时序信息的提模型进行乘用车异响数据识别。与现有技术相2步骤S1)针对有限的乘用车各部位异常噪声的数据集，利用数据扩充技术完成数据集步骤S3)在并行深度学习网络机制中设置两条用于提取空间信息的并行CNN线路CNN12.根据权利要求1所述的一种乘用车异响识别方5.根据权利要求3所述的一种乘用车异响识别方法，其特征在于，所述的数据增强包数据集增广模块，用于针对有限的乘用车各部位异常噪声的数识别模型构建模块，用于在并行深度学习网络机制中设置两条38.一种电子设备，包括存储器和处理器，所述存储器上4效率低而且严重依赖检测人员的专业知识和诊断经验，最终的诊断结果可能也会因人而[0003]经过检索，中国专利公开号CN105841797A提出了一种基于MFCC和SVM的车窗电机[0006]CN112735468A为一种基于MFCC的汽车座椅电机异常噪声检测方法，其具5[0009]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种乘用车异响识[0023]作为优选的技术方案，在所述的步骤S2)的并行深度学习网络机制中设置两条用于提取空间信息的并行CNN线路CNN1和CNN2，以及一条用于提取时序信息的编码器栈线路6[0051]音频裁剪:将一段时长的音频切分成若干小时间块达到增加数量的目的，我们分7[0054]增加噪声:增加噪音是自然语言处理和图像识别常用的增强技术，在声音识别领′′′′8[0084]卷积神经网络目前仍然是计算机视觉主流思想。原因在通过使用微型卷积核与输入张量进行卷积运算进行局部信[0088]Transformer目前已逐渐取代了以RNN为代表的传统Seq2Seq模型。其利用若干编系信息，因此本文设置了深度卷积网络和Transformer编码器栈同时工作的架构来提高诊9个40×282(MFCC特征阶数×时间维度)的特征矩阵。特征设置了两条用于提取空间信息的图做了池化(下采样)然后采用由若干编码器单元串联而成的编码器栈进行时序信息抓取。最终把三条并行线路提取到的空间时序信息融合再通过线性变换到全连接层，最后使用梯度问题有明显的增益。对于反向传播中的梯度问题，选取了随机梯度下降(SGD)优化技据扩充方法设置在划分数据集之后(避免来自同一原始音频的扩充数据同时分布到训练啸叫异常异响之间以及汽车座椅异常振动异常噪声与手套箱异常振动噪声之间出现错误判断，但概率大约4具体评价指标计算为：准确率(Accuracy)＝0.9831、精确率[0097]数据集增广模块1，用于针对有限的数据集，利用数据扩充技术完成数据集的增的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来~S3的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何[0104]本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例集成电路(ASIC)、专用标准产品(ASSP)、芯[0105]用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器