pip install -r requirements.txt
python ae_classifier.py
- 输入波形,进行归一化处理
- 通过
get_features.py
获得波形的 MFCC 特征并且存入*.npy
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。
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。
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%。