基于小波包FBank图谱与CNN的车内异响识别研究

Vehicle Abnormal Sound Recognition Based on Wavelet Packet FBank Spectrogram and CNN

王若平 ¹房宇 ¹陈达亮 ²王东 ²李仁仁 ¹曾发林¹

扫码查看

作者信息

1. 江苏大学汽车与交通工程学院,江苏镇江 212013
2. 中国汽车技术研究中心有限公司,天津 300300
折叠

摘要

车内异响识别是优化改进异响声源的重要前提,针对目前异响声源诊断效率低的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车内异响识别方法.选择4种车内零部件异响声音为研究对象,提取异响信号的梅尔频率倒谱系数和FBank(filter bank)图谱特征,并采用小波包变换对其进行改进,然后使用CNN对训练数据提取更深层次的特征并进行分类识别,同时对比不同特征参数输入对识别率的影响.实验结果表明:所提出的基于小波包FBank图谱与CNN的车内异响识别方法准确率可达90.2％,基于小波包变换改进的FBank图谱相比于梅尔倒谱系数更加适合作为CNN的输入.

关键词

异响识别/特征参数提取/小波包变换/卷积神经网络

引用本文复制引用

基金项目

国家自然科学基金(51575238)

出版年

2020

重庆理工大学学报

重庆理工大学

重庆理工大学学报

CSTPCD北大核心

影响因子：0.567

ISSN：1674-8425

被引量3

参考文献量4

段落导航