典型文献
基于鸣声组合特征与CNN的电网危害鸟种识别
文献摘要：
为了辅助电网涉鸟故障的差异化防治,提出一种基于组合特征和卷积神经网络(Convolutional Neural Network,CNN)的电网危害鸟种鸣声识别方法.根据历史涉鸟故障的鸟种信息及输电线路周边鸟种调查结果,选择13种高危鸟类、8种微害鸟类和2种无害鸟类建立鸣声样本集;对鸟种鸣声信号进行分帧、加窗、降噪和剪裁等预处理,提取鸟鸣Mel倒谱系数(Mel-frequency Cepstrum Coefficients,MFCC)、Gammatone倒谱系数(Gammatone Frequency Cepstrum Coefficients,GFCC)和短时能量(Short-term Energy,STE)特征.针对单一特征表达能力不足的问题,将MFCC及其一阶差分、GFCC及其一阶差分和STE归一化后进行组合,生成新的鸣声特征集.搭建卷积神经网络模型对组合特征进行训练和识别,鸟种鸣声测试集的识别正确率达91.8％,较单一MFCC和GFCC特征表现更为优异.
文献关键词：
输电线路;卷积神经网络;涉鸟故障;鸟鸣识别;组合特征
中图分类号：
作者姓名：
邱志斌;王海祥;廖才波;卢祖文;况燕军;张宇
作者机构：
南昌大学信息工程学院,江西南昌330031;国网江西省电力有限公司电力科学研究院,江西南昌330096
文献出处：
引用格式：
[1]邱志斌;王海祥;廖才波;卢祖文;况燕军;张宇-.基于鸣声组合特征与CNN的电网危害鸟种识别)[J].湖南大学学报（自然科学版）,2022(08):149-158
A类：
鸟种识别,鸟鸣识别
B类：
鸣声,组合特征,害鸟,涉鸟故障,Convolutional,Neural,Network,输电线路,鸟类,无害,样本集,声信号,分帧,加窗,降噪,剪裁,Mel,倒谱系数,frequency,Cepstrum,Coefficients,MFCC,Gammatone,Frequency,GFCC,短时能量,Short,term,Energy,STE,特征表达,表达能力,一阶差分,征集,卷积神经网络模型,测试集,特征表现
AB值：
0.356293
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
