论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　利用Matlab计算主变压器音频数据的MFCC特征参数，结果如图14所示.
　　当变压器处于同一工作状态时，其声音具有持续稳定的不变性，而且不同时期获得同一状态的MFCC特征曲线具有相似性，如图15所示.
　　3.2.3正弦基神经网络识别分类
　　选取前面所述变压器5种状态下的音频数据各2000组共10000组（采样频率为8kHz）.首先从每种状态中随机抽取1500组共7500组进行神经网络训练，将每种状态剩下的500组特征向量作为测试数据，进行正弦基神经网络识别测试，得到变压器各种状态的正确识别率如表1所示.
　　4结论
　　监听电气设备运行时发出的声音信号能有效发现设备异常情况，及时采取措施隔离和消除故障，避免事态扩大.本文提出一种利用神经网络准确识别音频特征、判断设备故障类型的方法，从根本上改进了传统人工监听设备、判断故障的方法，提高了电气设备故障检测水平，丰富了无人值守变电站的设备在线监测和检修技术，在未来的智能电网建设中具有重要的应用价值.
　　参考文献
　　[1]丁正胜.无人值班变电站远程图像监控系统应用[J].大众用电，2009，3：24-25.
　　[2]孔英会.无人值守变电站监控视频异常模式识别方法[J].华北电力大学学报：自然科学版，2011，38（6）：11-16.
　　[3]徐林.变电站音频实时监测系统初探[J].机电信息，2009（36）：155-156.
　　[4]杨新杰.配电变压器异常现象的分析与判断[J].北京电力高等专科学校学报，2011，12：2-3.
　　[5]蔡声镇.高压变电站室内分布式SF6监测系统的研制[J].仪器仪表学报，2006，27（9）：1033-1036.
　　[6]陈勇.语音特征参数MFCC的提取及其应用[J].湖南农业大学学报：自然科学版，2009，35（1）：106-107.
　　[7]张小玫.基于小波Mel倒谱系数的抗噪语音识别[J].中国电子科学研究院学报，2008，3（2）：187-189.
　　[8]郭春霞.基于MFCC的说话人识别系统[J].电子科技，2005（11）：53-56.
　　[9]江星华.基于LPCMCC的音频数据检索方法[J].计算机工程，2009，35（11）：246-248.
　　[10]薛峰.噪声环境下MFCC特征提取[J].信号处理，2010，26（1）：127-131.
　　[11]邹阿金.正弦基函数神经网络滤波器设计[J].长沙电力学院学报：自然科学版，2001，16（2）：16-18.
　　[12]张林.噪声环境下基于MFCC的鲁棒语音识别研究[D].长沙：湖南大学电气与信息工程学院，2009.
　　[13]王小华，何怡刚.神经网络在4型FIR滤波器的优化设计研究[J].电路与系统学报，2003，8（10）：97-100