本发明提出一种基于卷积神经网络的气体管道泄漏识别方法，在采集典型泄漏类型的泄漏声信号和背景声信号后，进行分帧处理以及短时傅里叶变化得到表征原始泄漏声信号的时频图；而后搭建针对于泄漏声信号的卷积神经网络分类模型，将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征；将泄漏声和背景声的时频图混合送入搭建好的卷积神经网络进行训练，训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。
该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

宁方立 段爽 韩鹏程 韦娟

西北工业大学 东莞市三航军民融合创新研究院 西安电子科技大学

710072 陕西省西安市友谊西路127号

本发明提出一种基于卷积神经网络的气体管道泄漏识别方法，在采集典型泄漏类型的泄漏声信号和背景声信号后，进行分帧处理以及短时傅里叶变化得到表征原始泄漏声信号的时频图；而后搭建针对于泄漏声信号的卷积神经网络分类模型，将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征；将泄漏声和背景声的时频图混合送入搭建好的卷积神经网络进行训练，训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。
该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。