典型文献
基于FISVDD与GRU的变压器声纹识别技术
文献摘要：
为了降低声纹识别算法在低信噪比环境下的误报率,提出了一种基于快速增量式支持向量数据描述(fast incremental support vector data description,FISVDD)以及门控循环单元(gate recurrent unit,GRU)的变压器机械故障声纹识别方法.以变压器为实验对象,分别获取变压器在正常工况、铁芯松动、线圈松动3种状态下的声音信号,并使用Mel频率倒谱系数进行特征提取.FISVDD作为第1级算法分离陌生类,同时通过增量学习的方式学习新样本.GRU作为第2级分类算法,对通过第1级算法的样本进行识别.实验结果表明:与传统闭集识别算法相比,FISVDD需要的训练时间更少;相较于传统的机器学习算法,GRU在变压器音频识别任务中具有更高的识别准确率和抗噪识别能力;所提方法相较于1级算法更加有效,在识别信噪比高于10 dB的样本时召回率下降不超过1％,在识别信噪比不超过0dB的样本时误报率不超过10％.
文献关键词：
变压器;机械故障诊断;增量学习;GRU;FISVDD
中图分类号：
作者姓名：
王荣昊;李喆;孙正;胡赵宇;孙汉文;江秀臣
作者机构：
上海交通大学电气工程系,上海200240;上海汽车集团股份有限公司,上海200041
文献出处：
引用格式：
[1]王荣昊;李喆;孙正;胡赵宇;孙汉文;江秀臣-.基于FISVDD与GRU的变压器声纹识别技术)[J].高电压技术,2022(11):4546-4556
A类：
FISVDD
B类：
GRU,变压器声纹,声纹识别技术,低声,识别算法,低信噪比,误报率,增量式,支持向量数据描述,fast,incremental,support,vector,data,description,门控循环单元,gate,recurrent,unit,实验对象,铁芯,松动,线圈,声音信号,Mel,倒谱系数,陌生,增量学习,分类算法,闭集识别,训练时间,机器学习算法,音频识别,识别准确率,识别能力,信噪比高,召回率,0dB,机械故障诊断
AB值：
0.395919
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。
