[发明专利]基于深度单分类器的电梯典型异常声音报警方法

权利要求书

1.基于深度单分类器的电梯典型异常声音报警方法，其特征在于包括如下步骤：

步骤1、分别对五种典型异常声音信号提取RMS特征；

步骤2、分别对五种典型异常声音信号提取谱质心特征；

步骤3、分别对五种典型异常声音信号提取MFCC特征；

步骤4、将输入训练样本进行特征提取；

步骤5、计算分类学习的输出权重β；

步骤6、计算单分类器阈值θ；

步骤7、输入测试数据进行测试；

步骤1具体实现如下：

1-1、分别对采集的五种电梯内异常声音信号建立目标声音样本库，假设某一种原始异常声音信号为s_l(n)，其中0≤l≤5，l为典型异常声音种类数；

1-2、将原始异常声音信号s_l(n)经过预处理得到每帧时域信号x_l(n)；

1-3、对每帧时域信号求所有点的平方和的平均值，再开方得到每帧时域信号的

步骤2具体实现如下：

2-1、将经过预处理得到的每帧声音信号x_l(n)经过快速傅里叶变化转为频域，并得到的每帧信号能量E_l(n)；

2-2、根据得到的每帧信号能量，求第l类典型异常声音信号的谱质心特征:

式中:f_l(n)为信号频率；E_l(n)为对应频率的谱能量；

步骤3具体实现如下：

3-1、将得到的每帧信号能量E_l(n)通过Mel三角滤波器组得到Mel频率的能量谱；

3-2、对输出后的Mel频谱取对数运算，得到对数频谱，进行离散余弦变换得到12维的MFCC系数特征；

3-3、将得到的电梯内第l类异常声音的每帧信号的RMS、SC、MFCC特征数据组合在一起，标类号，建立典型异常声音特征样本库；

步骤4具体实现如下：

4-1、分别取典型异常声音特征样本库中目标类的RMS+SC+MFCC特征数据，其训练样本为进行特征归一化，训练集只包含目标样本，N₁为训练样本数量；

4-2、归一化后的训练样本即ELM-AE的输入和输出矩阵；

其中：由于ELM-AE自编码器通过简单地学习将输入复制到输出，所以输入和输出均为X_A；

4-3、随机生成隐层输入权值矩阵和正交化偏置向量矩阵将输入对训练样本X_A映射到相同或者不同的数据维度空间：h_k＝g(w_kx_α+b_k)，(w_k)^Tw_k＝I,(b_k)^Tb_k＝1，其中：g()表示激活函数，k＝1,2,...,K，k为ELM-AE个数；I是单位向量；

4-4、求解ELM-AE的输出权值矩阵

假设ELM-AE个数为K,输入输出层神经元数量为d,隐含层神经元数量为以及每个隐含层的正则化参数若或即对于稀疏及压缩的特征表达，若即对于等维度的特征映射，

其中：表示ELM-AE的第k个隐含层输出矩阵。

2.根据权利要求1所述的基于深度单分类器的电梯典型异常声音报警方法，其特征在于步骤5所述的计算分类学习的输出权重β，具体实现如下：

5-1、得到初始化输出权重

经过K-1层ELM-AE得到输出矩阵Ⅰ：采用最大相关熵准则来优化目标函数；给定高斯核宽度σ，最大容忍误差ε和最大迭代次数J，并初始化输出权重β⁰＝0，初始误差并将初始误差转化为对角矩阵：

5-2、优化输出权重

计算输出权重为其中C是常数，计算误差为转化为对角矩阵为：

5-3、计算成本函数：

计算成本函数J(β^j)和J(β^j-1),j＝1,...,J，当|J(β^j)-J(β^j-1)|≥ε或者j＜J时，则重复步骤3-2进行迭代更新，直到满足条件得到最终的输出权值β；

所述的成本函数为：

5-4、得到实际输出