[发明专利]一种基于云平台的智能漏水声识别方法

权利要求书

1.一种基于云平台的智能漏水声识别方法，其特征在于，包括如下步骤：

步骤1：从预警平台中提取声特征信息；

步骤2：选择出对分类判别分析有用的声特征后作为机器学习模型的输入；

步骤3：对机器学习模型进行训练，得到优化后的识别模型，并保存模型；

步骤4：使用保存后的模型，并根据漏水识别算法进行目标噪声音频的分类计算以判定声特征是否为漏水声，并在确认为噪声后，将噪声文存入云平台噪声数据库中并归入对应类别；

步骤5：在噪声数据库更新后，对机器学习模型再次训练以优化模型。

2.根据权利要求1所述的一种基于云平台的智能漏水声识别方法，其特征在于，步骤2中，通过ReliefF算法进行声特征选择，该算法包括如下步骤：

步骤2-1：对步骤1中提取的声特征信息进行降维处理，并形成多个特征子集；

步骤2-2：利用分类器对特征子集进行分类以评估出分类准确率最优的特征子集；

步骤2-3：通过交叉验证方式来验证最优特征子集的有效性，在验证结果为有效的情况下将最优特征子集确定为机器学习模型的输入特征子集。

3.根据权利要求2所述的一种基于云平台的智能漏水声识别方法，其特征在于，其特征在于，步骤2-2，在分类时利用贝叶斯分类器进行分类，其中，贝叶斯分类器是基于高斯模型中的计算每个特征的概率密度函数并以分类准确率-方差建立。

4.根据权利要求1所述的一种基于云平台的智能漏水声识别方法，其特征在于，步骤3中，机器学习模型包括SVM分类模型，对SVM分类模型的训练具体包括如下步骤：

步骤3-1：选择核函数，其表达式为；

步骤3-2：计算与核函数相关的超参数，超参数为：C- 目标函数的惩罚因子， -核函数的宽度系数；

步骤3-3：使用最优C、以及挑选的特征子集，采用交叉验证的方法训练SVM分类模型，得到含有最优超平面的识别模型，并保存模型用于漏水识别算法。

5.根据权利要求4所述的一种基于云平台的智能漏水声识别方法，其特征在于，步骤3-2中，利用遗传算法计算出准确率最大的C与值。

6.根据权利要求4所述的一种基于云平台的智能漏水声识别方法，其特征在于，在步骤3-1之前还设置有步骤3-0：对经过选择后的特征向量进行归一化处理。

7.根据权利要求1所述的一种基于云平台的智能漏水声识别方法，其特征在于，所述漏水识别算法包括如下步骤：

步骤4-1：提取目标噪声音频中的声特征；

步骤4-2：对声特征进行数据规范化处理；

步骤4-3：调用训练模型，结合决策函数进行识别分类，判定声特征是否为漏水声，其中，决策函数为：

，为范式距离，b由模型训练时计算获得即偏置量，为支持向量；并且，在输入特征向量后，若=1，则判定为漏水声，若=-1，则判定为非漏水声。

8.根据权利要求1所述的一种基于云平台的智能漏水声识别方法，其特征在于，步骤1中，从时域、频域以及高阶域三个方面进行特征提取。

9.根据权利要求8所述的一种基于云平台的智能漏水声识别方法，其特征在于，所述时域类特征包括信号的平均值、方差、短时能量、能量熵、峰值系数、形状参数、脉冲因子以及峭度因子；

所述频域特征包括信号的有效带宽、谱峰、谱熵、谱形状类参数；

所述高阶域特征包括信号的近似熵、谱矩、HHT奇异值。