joylau / aeclassifier

声发射信号MFCC特征提取、分类

声发射信号 MFCC 特征提取及神经网络识别分类

使用方法

pip install -r requirements.txt
python ae_classifier.py

实现流程

1. 输入波形，进行归一化处理
2. 通过get_features.py获得波形的 MFCC 特征并且存入*.npy
3. ae_classifier.py读入特征并训练神经网络，并对验证集上数据进行验证。

原理

音频信号 MFCC 特征

梅尔倒谱系数（Mel-scale Frequency Cepstral Coefficients，简称MFCC）是在Mel标度频率域提取出来的倒谱参数，描述了人耳频率的非线性特性。

如断铅和压裂的两类声发射信号的典型 MFCC 特征如图。

使用speechpy提供的mfcc函数的默认参数得到了每一帧13个特征向量的均值作为分类的输入。

神经网络分类

对特征向量归一化之后，通过sklearn的MLPClassifier进行训练，参数如下：

• 隐藏层数：15
• 激活函数：tanh
• 最大迭代数： 20000

断铅和压裂信号验证结果（0代表断铅信号，1代表压裂信号）

[ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
  0.  0.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
  1.  1.  1.  1.]

由于两个信号差别很大，识别正确率 100%。