宿迁噪音检测上门 CMA机构出具法律效力报告

与之前的去噪方法不同，提出使用正激励噪声将噪声引入数据集扩展并提取融合特征作为网络输入。实验结果表明，噪声在一定条件下可以提高网络识别率。该方法为有限水声数据集的问题提供了一种新颖的解决方案，并提高了船舶噪声分类模型的通用性。

借鉴了随机森林的投票机制，并与CNN结合，在CNN后端添加了决策层。这种方法通过融合多个 CNN 模型的输出来提高网络的准确性。该方法有助于开发更稳健、更准确的船舶噪声分类模型。

将现有算法与本文提出的方法进行了比较，验证了简单的网络也能实现较高的识别精度。这一发现很重要，因为它表明复杂的网络结构（例如涉及对抗性学习的网络结构）对于准确的船舶噪声分类可能并不总是必需的。