CN119517089A 基于声纹小样本学习的换流阀故障识别方法 （国网宁夏电力有限公司超高压公司）

经开区金凤工业园通达南街以西、金基于声纹小样本学习的换流阀故障识别方法本发明提供了一种基于声纹小样本学习的的音频信号；基于梅尔频率倒谱系数和Gammatone滤波器组倒谱系数进行特征提取，并通过基于FRCRN对待识别音频进行降噪，可滤除2步骤S3：基于梅尔频率倒谱系数MFCC和Gammatone滤波器组倒谱系数GFCC对降噪增强音频进行特征提取并将两种特征进行串联拼接，再基于主成分分析法PCA对拼接特征进行克风阵列传感器组成的声纹采集设备实时采步骤S22：将每一帧STFT结果输入至训练完备的FRCRNS3中，基于梅尔频率倒谱系数MFCC和Gammatone滤波器组倒谱系数GFCC对降噪增强音频进5.如权利要求4所述的基于声纹小样本学习的换流Gammatone滤波器组进行滤波并求其对数能量3m4步骤S346：计算新的特征向量；与l个主成分相对应的l个特征向量为U＝[u1,u2,…,步骤S411：使用微软上传在Github上的DNS_Challenge数据集中的噪声集作为大规模步骤S412：提取噪声的MFCC和GFCC特征并将两个特征串步骤S413：从训练集中选择一个批量，所述批量包含了步骤S421：微调数据集当中的样本数据为采集到已标56[0006]现有的声音信号特征向量主要有线性预测倒谱系数LPCC(LinearPredictionCestrumCoefficient)和梅尔频率倒谱系数MFCC(MelFrequencyCestrumCoefficient)[0007]目前使用的从端到端的声纹识别模型大多基于循环神经网络RNN(Recurrent本质上是一个时间序列数据，部分方法在特征提取过程中仅采用CNN提取其空间特征是存7现有的换流阀声纹识别技术中存在的对含噪声场景声纹识别准确度较低并且识别效率不[0012]步骤S3：基于梅尔频率倒谱系数MFCC和Gammatone滤波器组倒谱系数GFCC对降噪增强音频进行特征提取并将两种特征进行串联拼接，再基于主成分分析法PCA对拼接特征[0013]步骤S4：将特征向量输入至基于声纹小样本训练完备的声纹识别模型中进行识基于人对声音的感知特性设计特征参数的不足，能够更好地拟合表示换流阀声音的特性。[0016]图2为本发明基于频率循环卷积循环网络模型对待识别音频数据进行降噪处理的[0019]图5为本发明图1中步骤S104中本发明提供的声纹识别模型训练过程中预训练阶8[0021]图7为本发明图1中步骤S104中本发明提供的声纹识别模型的一个实施例流程示据具体的方式为：基于麦克风阵列传感器组成的声纹采集设备实时采集获得待识别音频，也可为从存储有待识别音频的存储设备中调用获[0026]步骤S2：基于频率循环卷积循环网络(FRCRN)模型对待识别音频数据进行降噪处码器的注意力输出和对应倒数第二个位置的所述编码器的注意力输出拼接起来作为输入，述增强音频帧拼接起来获得所述降噪增强后的9二维卷积核和一个频域前馈顺序记忆网络FSMN，STFT结果在编码器中编码后成为特征向[0040]之后通过步骤S3，即基于梅尔频率倒谱系数MFCC和Gammatone滤波器组倒谱系数GFCC对降噪增强音频进行特征提取并将两种特征进行串联拼接，再基于主成分分析法PCA[0047]预加重的目的是为了提高声音信号的高频分量，使整个[0056]经过预处理后获得时域分帧信号x(n)，再将x(n)通过快速傅里叶变换FFT转换获[0058]将上述线性频谱X(k)取模值的平方得到幅度谱，通过M维的梅尔滤波器组进行梅[0070]经过预处理后获得时域分帧信号x(n)，再将x(n)通过快速傅里叶变换FFT转换获[0071]将上述线性频谱X(k)取模值的平方得到幅度谱，通过Gammatone滤波器组进行滤[0086]基于主成分分析法PCA对步骤S33获得的拼接的融合特征向量c进行降维，得到降[0087]PCA的基本思想是将原特征向量的各维分量进行线性组合生成新特征向量，使新[0102]请查看图5，为本发明提供的声纹识别模型训练过程中预训练阶段的一个实施例[0103]对于构造数据集步骤，使用微软上传在Github上的DNS_Challenge数据集中的噪[0106]将特征向量xa、x+和x—分别作为输入送至卷积神经网络CNN和长短时记忆网络[0138]卷积神经网络与循环卷积循环网络模型的差异在于卷积[0142]将维度压缩的特征向量经过一个Linear线性层和一个Sigmoid激活函数层，对通[0143]将上述特征向量扩展出一个空间域的维度，使输出与输入保持维度数量上的一[0146]将第一个解码器的注意力输出和对应倒数第二个位置的编码器的注意力输出进[0149]基于长短期记忆网络LSTM从卷积神经网络CNN的输出当中提取出帧与帧之间的时