-
Patent Agency Ranking
公开(公告)号：CN114842872A
公开(公告)日：2022-08-02
申请号：CN202210373422.8
申请日：2022-04-11
Applicant: 扬州大学
Abstract: 本发明公开了一种基于频谱图极大极小峰谷轨迹的音频分类方法与系统，首先对音频进行切片，计算每个音频切片的频谱图；然后基于频谱图的振幅轴，计算振幅的极大值点的位置和振幅大小并排序，分别构造极大位置矩阵和极大振幅矩阵，连接后构造极大峰值特征矩阵；并计算振幅的极小值点的位置和振幅大小并排序，分别构造极小位置矩阵和极小振幅矩阵，连接后构造极小谷值特征矩阵，进而得到极大极小峰谷特征矩阵；最后将极大极小峰谷特征矩阵输入卷积神经网络，输出音频数据的分类结果。本发明对频谱图峰值轨迹和频谱图谷值轨迹之间的相互关系上进行了更为充分的探索；在输入模型之前对频谱图的轨迹特征进行了特征的聚合，可以提高分类的准确性。
-
公开(公告)号：CN114913872B
公开(公告)日：2024-11-22
申请号：CN202210560557.5
申请日：2022-05-23
Applicant: 扬州大学
Abstract: 本发明公开了一种基于卷积神经网络的时频双域音频分类的方法与系统，首先对音频进行处理，得到音频的梅尔频谱图；然后基于梅尔频谱图的时间轴和频率轴计算，分别构造音色特征矩阵和时间特征矩阵，连接组成时频双域特征矩阵；再将其输入时频双域注意力模块进行信道加权和最大池化，最终得到音频的时频双域特征向量并将其输入分类器，得到音频的预测标签，之后计算预测标签和真实标签之间的损失，进行反向传播最小化损失。本发明通过加入监督性息，解决了原有随机化网络因缺少监督机制导致初始化权重方法不可靠且过分依赖模型结构本身的缺陷；时频双域注意力模块也很好的解决了平均池化会导致部分信道信息丢失的问题，进一步提高了音频分类的准确性。
-
公开(公告)号：CN119805145A
公开(公告)日：2025-04-11
申请号：CN202411963422.9
申请日：2024-12-30
Applicant: 扬州大学
IPC: G01R31/26
Abstract: 本发明公开了一种碳化硅二极管抗浪涌电流能力的评估方法，通过晶圆测试阶段采集器件在不同温度下的反向I‑V特性数据。该技术根据漏电流随温度的变化率与器件浪涌峰值电流正相关，引入Frechet距离算法。评估流程中，根据额定浪涌电流设定判定阈值D_thresh，计算Frechet距离的总和D_total，通过比较D_total与D_thresh，即可对器件的抗浪涌电流能力做出准确评估。作为一种无损评估方法，本发明在晶圆测试阶段就能有效地筛选出具有高可靠性的器件，为器件的可靠性提供了一种解决方案，从而提高了产品质量的保障水平。
-
公开(公告)号：CN114842872B
公开(公告)日：2025-05-06
申请号：CN202210373422.8
申请日：2022-04-11
Applicant: 扬州大学
IPC: G10L25/51 , G10L25/18 , G10L25/30 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0499
Abstract: 本发明公开了一种基于频谱图极大极小峰谷轨迹的音频分类方法与系统，首先对音频进行切片，计算每个音频切片的频谱图；然后基于频谱图的振幅轴，计算振幅的极大值点的位置和振幅大小并排序，分别构造极大位置矩阵和极大振幅矩阵，连接后构造极大峰值特征矩阵；并计算振幅的极小值点的位置和振幅大小并排序，分别构造极小位置矩阵和极小振幅矩阵，连接后构造极小谷值特征矩阵，进而得到极大极小峰谷特征矩阵；最后将极大极小峰谷特征矩阵输入卷积神经网络，输出音频数据的分类结果。本发明对频谱图峰值轨迹和频谱图谷值轨迹之间的相互关系上进行了更为充分的探索；在输入模型之前对频谱图的轨迹特征进行了特征的聚合，可以提高分类的准确性。
-
公开(公告)号：CN114913872A
公开(公告)日：2022-08-16
申请号：CN202210560557.5
申请日：2022-05-23
Applicant: 扬州大学
Abstract: 本发明公开了一种基于卷积神经网络的时频双域音频分类的方法与系统，首先对音频进行处理，得到音频的梅尔频谱图；然后基于梅尔频谱图的时间轴和频率轴计算，分别构造音色特征矩阵和时间特征矩阵，连接组成时频双域特征矩阵；再将其输入时频双域注意力模块进行信道加权和最大池化，最终得到音频的时频双域特征向量并将其输入分类器，得到音频的预测标签，之后计算预测标签和真实标签之间的损失，进行反向传播最小化损失。本发明通过加入监督性息，解决了原有随机化网络因缺少监督机制导致初始化权重方法不可靠且过分依赖模型结构本身的缺陷；时频双域注意力模块也很好的解决了平均池化会导致部分信道信息丢失的问题，进一步提高了音频分类的准确性。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
