主分量分析(PCA)是统计学中分析数据的一种有效方法.研究了基于主分量分析的声信号特征提取算法,并利用这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征向量.设计了K近邻和改进BP网络两种分类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果.

提出了一种采用Ｍｏｒｌｅｔ小波变换实现织机声信号分析的方法，并藉助高速信号处理器和微机系统予以实现。对典型织机声信号进行了小波变换分析，获得了典型织机声信号的三维小波变换谱。实验结果表明，该方法是有效的。同短时傅里叶变换分析法相比较，织机声信号的小波变换分析法具有较好的分析性能。

将声音信号特征技术应用于高压水射流切割效能判断,利用水射流设备、Labview和M atlab软件搭建了高压水射流切割声音信号采集和分析系统;实验结果表明,采用声信号对高压水射流切割效能进行判断是可行的。

对随机时间序列的特征提取与聚类分析,提出了基于分类距离标准的小波包基能量方法.该方法应用小波包变换提取信号各子空间的能量,以能量分类距离标准选取最佳小波包基,最佳小波包基上距离系数大的能量作为特征值.实验结果表明此方法比固定尺度小波包能量法有着更好的分类效果,并且特征值维数低.

本文介绍了一种通过声音进行车辆碰撞事件识别的方法,设计了一种基于DSP车辆碰撞报警装置。该装置通过实时的对声信号进行采集,运用模式识别方法对声音进行分类,一旦出现碰撞声音即通过通讯和报警模块报警。实验表明,该装置对碰撞声信号具有较高的识别率和识别准确性。

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。

针对汽车座椅水平驱动器（Horizontal Driving Machine,简称HDM）零件加工和装配误差,导致少部分产品在运行过程中产生异常噪声信号,需要对现有产品进行优化升级,提出采用声信号检测新模具生产产品质量方法。首先建立水平驱动器声信号采集系统,利用B＆K PULSE-Automotive Sound Quality软件采集声信号;然后对采集的水平驱动器正反转声信号进行均方根和计权A声级分析。分析结果表明该均方根能有效分析新模具生产的水平驱动器质量差异,为水平驱动器产品升级提供了一种定量测试方法;采用计权A声级分析水平驱动器声信号,能更真实地反映人的主观听感,对产品噪声判断更加准确。

针对以声信号为故障特征的风力发电机组故障诊断方法展开综述。分析了风力发电机组故障诊断的实际意义和价值以及风力发电机组故障诊断方法的研究现状,重点阐述了基于声信号的风力发电机组故障诊断的基本流程,并对故障诊断流程的每个部分做了切实可行的论述。