[发明专利]一种基于改进MFCC和K近邻的变压器故障声音识别方法

权利要求书

1.一种基于改进MFCC和K近邻的变压器故障声音识别方法，其特征在于：该方法包括如下步骤：

步骤1：通过Z-score标准化对采样音频进行标准化预处理；

步骤2：提取MFCC特征参数矩阵；

步骤3：通过PCA进行数据降维，减少特征数；

步骤4：沿时轴做平均；

步骤5：利用K近邻算法识别改进的MFCC特征向量得到识别结果。

2.根据权利要求1所述的基于改进MFCC和K近邻的变压器故障声音识别方法，其特征在于：所述的步骤2：提取MFCC特征参数矩阵，具体包括：

步骤2.1：将音频信号通过高通滤波器，进行高频预加重，突出高频共振峰，高通滤波器的传递函数H(z)如下

H(z)＝1-μz^-1,0.9＜μ＜1.0 (1)

式中，z是z变换后的信号，μ为每一帧的均值；

步骤2.2：进行内部分帧加窗处理，对每一帧通过快速傅里叶变换，得到音频各短时片段的频谱，对其取模的平方后即为功率谱；

步骤2.3：将功率谱通过三角滤波器组，三角滤波器组的传递函数H_m(z)如下：

式中，f(m)表示第m个三角滤波器的中心频率，z是z变换后的信号；

步骤2.4：对滤波器组输出的取对数并进行离散余弦变换得到MFCC系数矩阵A，其纵轴指示时间，横轴指示频率，各元素分别代表对应时间点的频谱能量，公式如下：

。

3.根据权利要求1所述的基于改进MFCC和K近邻的变压器故障声音识别方法，其特征在于：所述的步骤3：通过PCA进行数据降维，具体步骤如下：

步骤3.1：对于MFCC系数A，将A各元素减去所在行列的列平均值后计算协方差矩阵C，公式如下：

步骤3.2：找出协方差矩C的所有特征向量，并从大到小排列，

E＝[e₁ e₂...e_n] (5)

步骤3.3：取E^T的前k行构成矩阵P，(P*A^T)^T就是降至k维后的MFCC特征参数矩阵，其形状为m*k。

4.根据权利要求1所述的基于改进MFCC和K近邻的变压器故障声音识别方法，其特征在于：所述的步骤4沿时轴做平均，具体是将MFCC特征参数矩阵沿纵轴方向做平均，化为特征向量,形状1*k。