[发明专利]一种基于一维卷积神经网络的风叶声音边界定位方法和存储设备

权利要求书

1.一种基于一维卷积神经网络的风叶声音边界定位方法，其特征在于，包括步骤：

对输入的声音信号进行特征提取得特征序列；

输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签；

根据预设规则对所述标签序列进行调整处理得风叶声音的边界位置。

2.根据权利要求1所述的一种基于一维卷积神经网络的风叶声音边界定位方法，其特征在于，所述“输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签”，具体还包括步骤：

依次输入所述特征序列至不同的一维及卷积模块得第一结果；

对所述第一结果进行一维卷积计算得第二结果；

对所述第二结果进行处理并输入全连接层得标签序列。

3.根据权利要求2所述的一种基于一维卷积神经网络的风叶声音边界定位方法，其特征在于，所述“依次输入所述特征序列至不同的一维及卷积模块得第一结果”，具体还包括步骤：

输入所述特征序列至一维及卷积模块1得第一预测结果；

输入第一预测结果至一维及卷积模块2得第二预测结果；

输入第二预测结果至一维及卷积模块3得第一结果。

4.根据权利要求3所述的一种基于一维卷积神经网络的风叶声音边界定位方法，其特征在于，所述“输入所述特征序列至一维及卷积模块1得第一预测结果”，具体还包括步骤：

对所述特征序列一次进行一维卷积计算、批标准化和最大池化计算得第一预测结果；

所述“输入第一预测结果至一维及卷积模块2得第二预测结果”，具体还包括步骤：

对所述第一预测结果进行一维卷积计算、批标准化和最大池化计算得第二预测结果；

所述“输入第二预测结果至一维及卷积模块3得第一结果”，具体还包括步骤：

对所述第二预测结果进行一维卷积计算、批标准化和最大池化计算得第一结果。

5.根据权利要求1所述的一种基于一维卷积神经网络的风叶声音边界定位方法，其特征在于，所述“根据预设规则对所述标签序列进行调整处理得风叶声音的边界位置”，具体还包括步骤：

对所述标签序列进行拼接及尖峰滤除；

对尖峰滤除后的标签序列进行扩采样；

寻找扩采样后的标签序列的跳变沿，得风叶声音的边界位置。

6.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：

对输入的声音信号进行特征提取得特征序列；

输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签；

根据预设规则对所述标签序列进行调整处理得风叶声音的边界位置。

7.根据权利要求6所述的一种存储设备，其特征在于，所述指令集还用于执行：所述“输入特征序列至预先设计的基于一维卷积神经网络的分类模型得标签序列，每个序列化特征片段生成一个预测标签”，具体还包括步骤：

依次输入所述特征序列至不同的一维及卷积模块得第一结果；

对所述第一结果进行一维卷积计算得第二结果；

对所述第二结果进行处理并输入全连接层得标签序列。

8.根据权利要求7所述的一种存储设备，其特征在于，所述指令集还用于执行：所述“依次输入所述特征序列至不同的一维及卷积模块得第一结果”，具体还包括步骤：

输入所述特征序列至一维及卷积模块1得第一预测结果；

输入第一预测结果至一维及卷积模块2得第二预测结果；

输入第二预测结果至一维及卷积模块3得第一结果。