基于神经网络集成的说话人识别算法仿真研究

说话人识别研究中采用的语音信号特征同时包含了语义信息和话者信息,二者相互影响,给识别带来了很大的困难。为解决这个问题,我们将集成思想应用于说话人识别中,针对每个汉语单韵音的特征空间训练一个神经网络实现说话人分类,并使用另一个神经网络对多个单韵音神经网络识别器的识别结果进行结合。该方法可以有效地避免语义信息对说话人识别的干扰,提高识别精度。不仅如此,神经网络集成的识别结果还可以同时给出该帧语音所属的单韵音类型。仿真实验结果表明,集成系统的识别精度高于单一神经网络,并且在与多种算法的对比中也展示了良好的性能,更重要的是,该方法给出了一种从语音特征中分离语义信息和说话人信息的新思路。     

耦合神经网络中脉冲信号传输的噪声增强研究

对积分发放神经元耦合网络中脉冲信号传输的噪声增强现象进行了研究。通过权矩阵控制神经元间耦合强度和网络结构,网络中脉冲刺激信号激励靶神经元,而网络内各神经元都受到内部噪声的驱动。研究表明,随着噪声强度的增加,神经网络输出发放率与离散脉冲信号发放率的互相关系数不断增加并达到极值,证实了脉冲信号传输中耦合神经网络中存在噪声增强现象。还进一步分析了门限电势、网络结构以及噪声类型对输入输出发放率之间互相关系数的影响。这些研究结果为进一步将随机共振理论应用到神经系统中脉冲信号传递问题提供了实际依据。     

基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

脉冲频率编码信号在高频地波超视距雷达中的应用

本文就脉冲频率编码信号应用到高频地波超视距雷达中，进行了较详细的波形设计和处理研究。分析表明，脉冲重复周期与目标回波的距离延时和径向多普勒速度分量无关。因此，若将重复周期参差调制方式融合到频率编码信号中，可使信号具备时－频调制双重随机性。有效地加强了信号自身抑制干扰的能力。信号的处理采用了时间窗匹配相关处理，消除了距离模糊并扩展了信号参数的可选择范围。本文还给出了脉冲频率编码信号的设计步骤和参数选择的约束条件。     

甚低速率语音编码中的高效模拟退火算法研究

为了解决600bps甚低速率语音编码中码本矢量量化信噪比低以及抗信道误码能力差的难题,本文提出了一种改进的模拟退火算法,在600bps甚低速率语音编码中得到了成功的应用。首先,采用改进的模拟退火算法设计语音编码参数矢量量化码本。然后,采用模拟退火算法分配码本序号,以此提高在信道误码条件下语音编码算法的鲁棒性。仿真结果表明本算法的量化信噪比与经典的LBG算法相比改善了0.4dB左右,平均误码失真与采用随机分配码本序号的方法相比改善60%以上。非正式主观试听表明600bps语音编码算法的合成语音具有良好的可懂度和自然度,并且在1%信道误码条件下仍然具有良好的性能。     

阈值阵列系统中TCM编译码的随机共振现象

为了进一步降低网格编码调制(TCM)信号在接收端的误码率(BER),提高TCM码的译码性能。采用了一种离散的多阈值阵列系统与维特比译码器相结合的系统。并经过理论推导出阈值阵列系统输出端信号和TCM编码信号之间的互信息;同时通过仿真实验,分析了误码率的变化情况;并对两种不同测度下的变化情况进行了对比。理论分析表明,在适当噪声条件下,使信号无损传输到译码端;仿真实验也表明,在适当的噪声强度阈值阵列单元数量和噪声强度条件下,误码率会得到大幅度的降低。对比两种测度下的随机共振现象(SR),发现随机共振的存在性与测度有关。理论分析和仿真实验都表明,在该系统中适当的噪声能够显著提高互信息,降低误码率;随着阈值单元数的增加,这种效果也越发明显。     

基于改进遗传算法的独立分量分析算法

针对现有独立分量分析算法的分离效果依赖于非线性对比函数的选择,并且无法有效地分离超高斯和亚高斯混合信号这一现象,提出了一种基于遗传算法的独立分量分析算法,该算法采用直方图法根据信号的样本序列来估计信号的概率分布,解决了信号问互信息的计算问题,然后通过遗传算法最小化信号间的互信息,实现了对线性混叠信号的分离;同时,针对标准遗传算法存在的一些缺点如局部搜索能力差、容易出现早熟收敛等,提出了一种改进遗传算法,提高了遗传算法的寻优能力.对模拟信号的分离结果表明,基于改进遗传算法的独立分量分析算法的性能优于FastICA算法,对亚高斯和超高斯信号的混合信号具有优异的分离能力.模拟仿真实验结果同时也证实了改进遗传算法的寻优能力.     

一种含参数的概率密度核估计的独立分量分析算法

分析了盲源分离算法中互信息准则与概率密度核函数的关系,利用广义高斯模型,提出了一种基于含参数的核概率密度估计的独立分量分析算法。该算法利用观测样本求峰度,通过分段函数给出相应高斯指数值,并刺用样本数据进一步修正源信号的概率密度函数。实现对分离信号评价函数的精确估计。在此评价函数基础上,采用互信息最小化准则,推导出分离矩阵的迭代更新规则。所提算法在一定程度上解决了ICA算法中信号评价函数估计的难题,且能对任意源混合信号进行有效盲分离,仿真实验验证了算法的性能。     

基于星座成形的高谱效编码调制方案

针对规则正交幅度调制星座在高阶调制系统中产生的成形损失问题，研究比较了概率成形和几何成形方案。通过平均互信息的分析，从理论上表明概率成形可以获得更好的成形增益。在相同谱效、相同误帧率的条件下，概率成形相比几何成形需要的信噪比更低。编码方面，相比二元低密度奇偶校验(low-density parity-check，LDPC)码，多元LDPC码可以获得编码增益。仿真结果表明，基于星座成形的高谱效编码调制方案是有效的，适用于未来移动通信系统超高可靠性的要求。     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

一类广义过程非观测分量依可观测分量随机信号的最优滤波与估计

研究信号传递系统中一类含分式有理谱密度广义过程非观测分量依可观测分量随机信号的最优滤波与估计问题。为了有效提高此类信号传递系统的信息滤波效率，在首先建立此类含分式有理谱密度多维广义过程随机信息序列模型并对此类过程非观测分量依可观测分量随机信号进行最佳线性估计与均方误差分析的基础上，深入研究此类广义过程随机信号的最优递推滤波与估计。研究结果表明，本文给出的最优递推滤波算法及其得到的最优递推滤波和最佳线性估计方程，对于解决该类广义过程随机信号的最优滤波与估计效果甚佳，为进一步提高此类信号传递系统的效率提供了一种非常有效的数学处理方法。     

锋电位检测信号的EEMD去噪方法研究

神经元锋电位(spike)是研究大脑信息编码的基础,因其宽带、小幅值等特点而极易受噪声干扰。针对spike信号的间歇性及非平稳性,采用经验模态分解(EMD,Empirical Mode Decomposition)的改进算法--整体平均经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)对spike检测信号进行分解并结合小波阈值法进行去噪。EEMD能将信号中间歇性成分有效分离出来,解决了EMD产生的模态混叠问题。基于仿真和实测数据将其与EMD去噪方法及多元小波去噪法进行比较,结果表明:EEMD去噪方法不仅有效提高了spike检测信号的信噪比,而且降低了spike波形的畸变。在3种去噪方法中,EEMD去噪方法效果最为显著,对仿真信号的信噪比平均提高了4.177 2d B。为随后spike信号的分类和信息编码奠定了良好基础。     

基于EMD与关联维数的故障诊断AR模型

提出了一种基于EMD和关联维数的转子系统故障诊断方法。该方法用EMD将转子系统振动信号分解成若干个基本模式分量IMF,对包含主要故障信息的IMF分量建立AR模型,AR模型自回归参数的关联维数作为特征量神经网络识别转子系统的工作状态和故障类型。对实验数据分析的结果表明,该方法能有效地应用于转子系统的故障诊断。     

LDPC码最小和译码算法的整数量化

低密度奇偶校验码(low density parity check codes, LDPC)以其接近香农极限的性能和相对简单的译码结构得到信道编码界的广泛关注。对LDPC码的最小和算法进行了深入地研究,通过多种方法量化译码时的初始消息,最终使得每次迭代的校验消息与变量消息都变为整数,实现了基于整数运算的最小和译码算法,并进行了对比分析。仿真表明,量化后的最小和算法中的所有变量都用固定长度的整数表示,因而便于硬件实现,在其译码性能比和积译码(sum product decoding, SP)性能下降不大的情况下大大提高了译码速度;平均互信息越大的量化方法,其量化分层电平也越佳;最大平均互信息量化下的最小和译码算法性能最好,最大平均互信息量化是一类能最大可能获得信源信息条件下的最佳量化方法,且不增加译码复杂度。     

联合准则下的认知雷达波形设计

针对不同工作环境中, 需要雷达同时具有多种模式和多种任务的问题, 提出了一种联合优化准则的雷达波形设计方法, 该方法综合考虑了目标与回波之间的互信息与信干噪比。在发射信号能量有限的约束条件下, 首先通过最大边缘分配算法求解最优波形, 其次讨论互信息与信干噪比的增减率, 当改变系数值时, 联合准则下的雷达信号模型既可同时提高互信息和信干噪比值, 又可根据发射需求分别优化互信息或信干噪比。最终信号模型通过一次或较少次数的观测同时完成目标参数估计、检测或识别任务, 为雷达波形优化朝着多功能模型设计提供研究依据。     

常见低截获概率雷达信号调制参数估计研究

研究了线性调频信号、相位编码信号的调制参数识别问题。解线调方法估计线调频参数精度不高,提出了频谱细化与解线调结合的改进方法,该方法计算量较小,精度很高。给出了加性高斯白噪声中相位编码信号的编码规律识别方法。利用估计出的载频对原信号进行解调得到基带信号,根据基带编码信号逐段光滑特点,提出通过正交小波分解估计码元宽度和阈值降噪,并对一个码元内的一阶非相邻相位差分进行滑动平均,消除了阈值滤波引入的“类吉布斯”现象,提高了低信噪比下编码规律识别的正确概率。     

LFM-Barker信号脉压处理中基于NN的旁瓣抑制

为了提高线性调频 巴克码(LFM Barker)信号在强噪声背景下脉压输出的主副瓣比,根据该信号经过LFM匹配滤波器输出仍然保留编码信号的相位信息这一特点,提出了"LFM匹配滤波+相位提取+神经网络"的脉压处理方法。仿真实验表明,在一定的信噪比和多普勒频移范围内,该方法能够取得大于50dB的输出主副瓣比。     

混合神经网络矢量量化的设计与实现

本文设计了一种混合神经网络矢量量化编码方法,利用Kohonen网络的自组织聚类功能设计矢量量化器码书,实现矢量量化,用三层BP网络完成码字的信道符号编码.该神经网络矢量量化编码器能够并行处理输入矢量,速度快,效率高,适用于语音和图像数据压缩.     

基于小波和神经网络的二相码旁瓣抑制的研究

研究了脉冲压缩中二相编码信号的距离旁瓣抑制问题。在Kwan.H.K等所提的多层感知器方法(MLP)的基础上，提出了一种基于小波变换的神经网络方法(WTNN)。对13位巴克码的实验结果表明，在二相编码信号的旁瓣抑制问题中，WTNN方法在峰值信噪比和抗噪性能方面明显优于MLP方法。WTNN方法也很容易推广到其它伪随机序列的旁瓣抑制问题中。