关键词：地下管线;;工程机械;;MF-PLPCC特征;;RELM;;FBank图谱;;CNN
摘 要：在城市化的快速发展中,地下管线系统被称之为“城市的命脉”,主要承载着城市生活中能源输送、通信传输、电力供应、供水排水等重要任务。然而,在城市建设活动中,由于地下管线的损害所导致的许多意外事故频频发生。经过媒体报道和实地调查,发现在施工中对地下管线的威胁主要来自于大型工程机械,如切割机、手持电镐、挖掘机、液压冲击锤等。为了防止地下管线遭到外力破坏,需要设计出主要针对大型工程机械的监控系统。对工程机械的识别分析了不同方法的优劣势,最后提出基于声音信号对工程机械的识别研究。本文研究工程机械的声音信号在时频域中的特征,采用深度学习方法对声音信号进行特征提取和分类,从而实现对地下管线的预防和保护。本文的主要工作和成果如下:1.在传统声音识别上,研究了目前流行的声音特征提取算法,其中有梅尔频率倒谱系数(MFCC)和感知线性预测倒谱系数(PLPCC)。并且结合了这整个经典特征提取算法的优点,提出了梅尔频率感知线性预测系数(MF-PLPCC)作为声音提取的特征。2.在传统方法试验中,采用了支持向量机(SVM)和极限学习机(ELM)作为分类器。设计了MFCC、PLPCC和MF-PLPCC特征以及SVM、ELM分类器之间的对比试验。经过试验结果分析,得出采用MF-PLPCC特征和正则化极限学习(RELM)对工程机械的识别在识别率和鲁棒性上优于其它方法。3.提出深度卷积神经网络(CNN)对工程机械的识别。首先对所有工程机械和环境声音信号提取FBank图谱,然后采用CNN对训练数据提取更深层次的特征从而达到更好的识别效果。在CNN网络结构中对某些参数进行寻优操作,其中包括了卷积核的数量、输入窗口的大小、Dropout概率和Leak Re LU激活函数负半轴斜率。然后与传统的方法进行了对比,包括MFCC+ELM、MFCC+SVM和FBank+ELM方法。经过对比试验得出,采用CNN对工程机械的识别在识别率和鲁棒性上都取得很大的优势。最后对传统方法在误识别的工程机械进行分析,得出工程机械和环境噪声的MFCC特征中出现相似的情况,从而导致误识别现象。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取