(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211381286.3 (22)申请日 2022.11.07 (71)申请人 海纳科德 （湖北） 科技有限公司 地址 430223 湖北省武汉市武汉东湖新 技 术开发区高新大道999号武汉未来科 技城龙山创新园一期C1栋 5楼505室 (72)发明人 余永升　章林柯　胡永文　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 万文广 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) (54)发明名称 一种可迁移的特征自动选取声学诊断方法 及系统 (57)摘要 本发明涉及声学诊断领域， 提供一种可迁移 的特征自动选取声学诊断方法及系统， 包括： S1： 获取原始音频， 对所述原始音频进行特征提取处 理， 获得声学特征； S2： 通过混合特征选 择模型对 所述声学特征进行筛选， 获得最优特征子集； S3： 通过所述最优特征子集构建特征矩阵； S4： 通过 集成诊断模块对 所述特征矩阵进行诊断， 获得声 学诊断结果。 本发明通过SFS ‑SVM模型、 SFS ‑KNN 模型、 RFE ‑RF模型、 RFE ‑XGB模型和MIC模型综合 构建的混合特征选择模型， 可以将多种特征选择 方法获得的选择结果进行综合分析， 获得最佳的 声学诊断， 极大的提高了声学诊断结果的鲁棒 性。 权利要求书4页 说明书11页 附图2页 CN 115545086 A 2022.12.30 CN 115545086 A 1.一种可迁移的特 征自动选取声学诊断方法， 其特 征在于， 包括： S1： 获取原 始音频， 对所述原 始音频进行 特征提取处 理， 获得声学 特征； S2： 通过混合特 征选择模型对所述声学 特征进行筛 选， 获得最优特 征子集； S3： 通过所述最优特征子集构建特 征矩阵； S4： 通过集成诊断模块对所述特 征矩阵进行诊断， 获得声学诊断结果。 2.根据权利要求1所述的可迁移的特征自动选取声学诊断方法， 其特征在于， 步骤S1具 体为： S11： 对所述原始音频依次进行预加重处理、 分帧处理和加窗处理， 获得预处理后的音 频； S12： 从所述预处理后的音频中提取声学特征， 所述声学特征包括： 时域特征、 频域特 征、 小波域特征和波形 特征。 3.根据权利要求1所述的可迁移的特征自动选取声学诊断方法， 其特征在于， 所述混合 特征选择模型包括： SFS ‑SVM模型、 SFS ‑KNN模型、 RFE ‑RF模型、 RFE ‑XGB模型和MIC模型。 4.根据权利要求3所述的可迁移的特征自动选取声学诊断方法， 其特征在于， 步骤S2具 体为： S21： 通过SFS ‑SVM模型计算获得SFS ‑SVM模型准确率达到最高时所用的特征集合FT1， 通 过SFS‑KNN模型计算获得SFS ‑KNN模型准确率达 到最高时所用的特 征集合FT2； S22： 通过RFE ‑RF模型计算获得RFE ‑RF模型准确率达到最高时所用的特征集合FT3， 通过 RFE‑XGB模型计算获得RFE ‑XGB模型准确率达 到最高时所用的特 征集合FT4； S23： 通过MIC模型计算获得MIC模型的最优特 征的排序Ran kMIC； S24： 计算获得最优特征子集的最大集合Fmax和最优特征子集的最小集合Fmin； ， ； S25： 构建新 排名， 获取新 排名下前T个特征集合FT， FT满足条件： ； S26： 计算获得最优特 征子集Fa， ； 为最小特征子集选取函数。 5.根据权利要求4所述的可迁移的特征自动选取声学诊断方法， 其特征在于， 步骤S21 具体为： S211： 设置SVM特征集合、 KNN特征集合和计数k， 将SVM特征集合初 始化为空集F(SVM,0)， 将 KNN特征集合初始化 为空集F(KNN,0)， 将k的值初始化 为1； S212： 判断计数k 的值， 若k≤m则进入步骤S213， 否则进入步骤S218； m为提取的声学特 征集合中的特 征数量； S213： 计算获得第k次SFS ‑SVM模型的最优特 征ftk， 计算公式为： 权　利　要　求　书 1/4 页 2 CN 115545086 A 2其中， 为最优特征选取函数， F(SVM,k‑1)为第k‑1次更新后的SVM特征集合， GSVM ()为SFS ‑SVM模型的评价函数， X为声学特征数据， F为声学特征集合， fj为声学特征集合中 的第j个特 征， j为特 征的编号； S214： 将ftk添加至SVM特征集合中， 获得第k次更新后的SVM特征集合F(SVM,k)， 计算公式 为： ； 通过第k次svm的评价函数获得第k次更新后的svm特征集合的准确率 ， 计算 公式为： S215： 计算获得第k次SFS ‑KNN模型的最优特 征fpk， 计算公式为： 其中， F(KNN,k‑1)为第k‑1次更新后的KN N特征集合， GKNN()为SFS‑KNN模型的评价 函数； S216： 将fpk添加至KNN特征集合中， 获得第k次更新后的KNN特征集合F(KNN,k)， 计算公式 为： ； 通过第k次KNN的评价函数获得第k次更新后的KNN特征集合的准确率 ， 计 算公式为： S217： 令k=k+1， 返回步骤S212； S218： 计算获得svm的最终排序， 计算公式为： ； 其中， Rank(SVM,F)为SVM特征集合 中最优特征的排序， 为SVM特征集合中 准确率的排序； 计算获得 KNN的最终排序， 计算公式为： ； 其中， Rank(KNN,F)为KNN特征集合中最优特征的排序， 为KNN特征集合 中准确率的排序； S219： 计算获得SFS ‑SVM模型准确率达 到最高时所用的特 征集合FT1， 计算公式为： 其中， T1为SFS ‑SVM模型达 到最高准确率时所用特 征个数； 计算获得SFS ‑KNN模型准确率达 到最高时所用的特 征集合FT2， 计算公式为： 其中， T2为SFS ‑KNN模型达到最高准确率时所用特 征个数。权　利　要　求　书 2/4 页 3 CN 115545086 A 3