排序方式: 共有4条查询结果,搜索用时 125 毫秒
1
1.
为了增强网络对鸟鸣声信号的特征学习能力并提高识别精度,提出一种基于深度残差收缩网络和扩张卷积的鸟声识别方法。首先,提取鸟鸣声信号的对数梅尔特征及其一阶和二阶差分系数组成logMel特征集作为网络模型的输入;其次,通过深度残差收缩网络自动学习噪声阈值,减少噪声干扰;然后,引入扩张卷积增大卷积核感受野并利用注意力机制使网络更关注关键帧特征;最后,通过双向长短时记忆网络从学到的局部特征中学习长期依赖关系。以百鸟数据birdsdata鸟声库中的19种中国常见鸟类作为实验对象,识别正确率可以达到96.58%,并对比模型在不同信噪比数据下的识别结果,结果表明该模型在噪声环境下的识别效果优于现有模型。 相似文献
2.
自适应光学系统可以实时测量并校正波前信息,但是系统中大量的噪声严重影响了系统的探测精度.自适应光学系统中一般为加性噪声,本文提出一种全新的变分处理模型去除加性噪声,该模型采用自适应非凸正则项.非凸正则项在保持图像细节上较凸正则项具有更好的效果,能更好地保持点源目标的完整性.另外,根据不同区域的噪声水平自适应地构建正则化参数,使不同区域的像素点受到不同程度的噪声抑制,可以更好地保持目标的边缘细节.在算法实现上,为了解决非凸正则项收敛性较差的缺陷,采用分裂Bregman算法及增广拉格朗日对偶算法进行计算.实验及数值仿真结果都表明,该方法能够较好地去除系统中的加性噪声,且光斑信号保存得较为完整,处理后的质心探测精度及信噪比较高. 相似文献
3.
4.
针对实际鸟类监测环境中,收集鸟声声频数据分布不均匀,导致神经网络训练不充分,分类识别测试准确率低的问题,设计了一种桥接Transformer神经网络模型。该网络首先利用原始鸟声声频信号生成短时傅里叶变换语谱图作为输入特征,之后将语谱图输入到由注意力模块和卷积模块桥接组成的Transformer网络中,完成对语谱图中全局特征和局部特征的信息交互,最后利用单层Transformer编码器实现对每一个批次样本的损失优化,得到最终的分类结果。在Birdsdata和xeno-canto鸟声数据集上进行小样本实验,分别获得了91.34%和82.63%的平均准确率,与其他鸟声识别网络进行了对比实验,验证了该网络的有效性。 相似文献
1