【技术实现步骤摘要】
一种基于酒花信号的智能声纹防伪方法、装置及设备
[0001]本专利技术属于防伪
,涉及数字信息化防伪技术,具体涉及一种基于酒花信号的智能声纹防伪方法、装置及设备。
技术介绍
[0002]随着生活水平的不断提高,白酒市场规模逐渐增长,同时假冒伪劣白酒的现象也日益增多。为更好的辨别白酒的真伪,白酒的防伪技术得到了广泛应用。目前,白酒防伪的主流方式多为基于包装的物理防伪手段,如标签、瓶盖、识别码等方式,存在容易被仿造、识别困难等问题,从而导致假冒伪劣产品在市场上的流通。
[0003]信息技术防伪作为一种利用计算机技术、信息安全技术等手段的防伪方式具有隐蔽性强、可扩展性和可视化等优势。目前已出现使用数字水印、加密技术、二维码等数字信息化技术制作防伪标识和图案以提高白酒包装的防伪性能,但是,上述数字信息化技术防伪方式中,无论是数字水印还是加密技术亦或是二维码普遍存在容易被攻击、破解或篡改的缺陷。
技术实现思路
[0004]本专利技术的目的在于克服上述现有技术的缺点,提供一种基于酒花信号的智能声纹防伪方法、装置及设备,基于白酒酒花独特的声纹信号来辨别白酒真假,具有更安全、可靠、高效的优点。
[0005]为了实现上述目的,本专利技术采用以下技术方案。
[0006]一种基于酒花信号的智能声纹防伪方法,包括如下步骤:
[0007]步骤1:采集若干条原始声纹信号;
[0008]步骤2:将采集的声纹信号通过自编码器进行去噪预特征化处理;
[0009]自编码器为堆叠稀疏自 ...
【技术保护点】
【技术特征摘要】
1.一种基于酒花信号的智能声纹防伪方法,其特征在于包括如下步骤:步骤1:采集若干条原始声纹信号;步骤2:将采集的声纹信号通过自编码器进行去噪预特征化处理;自编码器为堆叠稀疏自编码器,将采集的原始声纹信号输入进由多层稀疏自编码器组成的深度神经网络模型SAE中进行训练;然后去除解码层;将经过第一次训练特征处理的信号作为第二次SAE训练的输入,产生第二次特征,然后进行解码输出,得到预特征化处理后的数据;步骤3:将步骤2中预特征化处理后的数据使用语音特征提取工具提取PLP特征,然后将其输入CNN
‑
GMM
‑
HMM声纹模型中进行学习训练,得到CNN
‑
GMM
‑
HMM声纹模型标准数据库;CNN
‑
GMM
‑
HMM声纹模型包括:CNN模块,用于通过卷积层、池化层和全连接层对PLP特征进行提取和分类;GMM模块,用于计算经过CNN模块卷积后的PLP特征向量的均值和方差;HMM模块,用于训练声纹信号样本的初始概率、状态转移概率A和最终的输出概率B;步骤4:对需要检测的白酒通过声振动传感器多次反复采集,得到样本酒花声纹信号;步骤5:将收集到的样本酒花声纹信号通过步骤2中的堆叠稀疏自编码器进行同样的去噪预特征化处理;步骤6:将经步骤5预处理后的声纹信号输入至步骤3中标准数据库中进行识别比对;步骤7:对识别核验结果进行显示输出。2.如权利要求1所述的基于酒花信号的智能声纹防伪方法,其特征在于:所述步骤3中将步骤2中预特征化处理后使用语音特征提取工具OpenSMILE提取PLP特征,首先对声纹数据进行分帧加窗处理,截取采集声纹信号片段,然后进行快速傅里叶变换得到频谱,然后进行幅值平方操作进行放大处理,接着使用Bark滤波器组处理随后进行等响度预加重、强度
‑
响度转换,之后进行逆傅里叶变换进行线性预测得到PLP特征。3.如权利要求1所述的基于酒花信号的智能声纹防伪方法,其特征在于:所述步骤6中将PLP特征在声纹模型中,先使用单独的卷积层以幅度谱作为输入,在每个通道上独立操作,并跨通道进行最大池化,选择每个节点中响应最大的通道,对PLP特征进行提取和分类;然后使用提取的PLP特征进入GMM模型中进行聚类训练,之后要将音素表示为隐藏变量导入HMM模型中进行训练;GMM
‑
HMM训练开始,首先采用平均分配的方式初始化GMM模型,然后利用对隐藏变量的现有估计值计算其最大似然估计值,即样本的均值μ和方差σ2::然后...
【专利技术属性】
技术研发人员:刘国栋,张卓清,李志健,吴家豪,孟卿君,
申请(专利权)人:陕西科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。