典型文献
基于集成学习的铁路隧道空洞敲击检查声音识别
文献摘要：
隧道衬砌空洞敲击检查方法是目前铁路隧道中应用最多的检查方法,但其空洞识别和数据的记录均靠人工完成.为实现铁路隧道空洞敲击检查声音智能识别,将采集到的隧道敲击检查音频文件进行预处理,选取645个声音样本,提取24维梅尔频率倒谱系数(Mel frequency cepstrum coefficients,MFCC)作为声音样本的声学特征参数,通过集成算法(梯度提升决策树GBDT)训练样本声学特征,建立隧道空洞敲击检查声音分类模型,最后将该模型应用于实际铁路隧道空洞敲击检查声音识别分类.实例研究表明:与优化的支持向量机(cross-validation-support vector machine,CV-SVM)模型和改进径向基神经网络(particle swarm optimization algorithm-radial basis function neural network,PSO-RBF)模型相比,GBDT集成算法模型具有更高的准确率和更少的运算时间,在面对异常数据时具有更强的稳定性,能够准确地根据铁路隧道空洞敲击检查声音诊断衬砌后是否存在空洞.
文献关键词：
铁路隧道;声音识别;梅尔频率倒谱系数(MFCC);梯度提升决策树;支持向量机(SVM);改进RBF神经网络
中图分类号：
作者姓名：
高磊;刘振奎;张昊宇;魏晓悦;张奎
作者机构：
兰州交通大学 土木工程学院,兰州 730070
文献出处：
引用格式：
[1]高磊;刘振奎;张昊宇;魏晓悦;张奎-.基于集成学习的铁路隧道空洞敲击检查声音识别)[J].振动与冲击,2022(14):58-63,83
A类：
B类：
集成学习,铁路隧道,敲击,声音识别,隧道衬砌,衬砌空洞,检查方法,智能识别,音频文件,梅尔频率倒谱系数,Mel,frequency,cepstrum,coefficients,MFCC,声学特征,集成算法,梯度提升决策树,GBDT,训练样本,声音分类,分类模型,模型应用,识别分类,实例研究,cross,validation,support,vector,machine,CV,径向基神经网络,particle,swarm,optimization,algorithm,radial,basis,function,neural,network,PSO,RBF,算法模型,运算时间,异常数据
AB值：
0.378636
相似文献
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。
