基于小波包FBank图谱与CNN的车内异响识别研究

车内异响识别是优化改进异响声源的重要前提,针对目前异响声源诊断效率低的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车内异响识别方法。选择4种车内零部件异响声音为研究对象,提取异响信号的梅尔频率倒谱系数和FBank(filter bank)图谱特征,并采用小波包变换对其进行改进,然后使用CNN对训练数据提取更深层次的特征并进行分类识别,同时对比不同特征参数输入对识别率的影响。实验结果表明:所提出的基于小波包FBank图谱与CNN的车内异响识别方法准确率可达90. 2%,基于小波包变换改进的FBank图谱相比于梅尔倒谱系数更加适合作为CNN的输入。