短语音说话人识别新方法的研究

提出了一种较短训练语音的说话人识别新方法。利用模糊核聚类算法设计矢量量化器,对说话人的语音特征进行训练。模糊核矢量量化器将原始空间通过非线性映射到高维特征空间,在高维特征空间中对说话人的训练语音特征进行模糊聚类分析,将得到的每个类中心作为说话人的语音模型。识别时将识别矢量映射到高维空间进行匹配决策。由于核方法的引入,使得原来没有显现的特征突现出来,增加了说话人之间的可区分性。实验表明,该方法对于较短的训练语音,其识别效果优于高斯混合模型和模糊矢量量化。     

基于属性约简-聚类分析的集成神经网络

如何构造具有较大差异性的单神经网络是提高集成神经网络分类性能的一个重要问题.这里通过研究在特征空间和样本空间上均有差异的基础上提取训练样本的方法,提出了-种新的基于粗糙集的属性约简和聚类分析的集成神经网络的序列目标分类算法,由于训练单分类器时样本的差异性较大,所以能够有效的保证集成分类器的分类性能.该方法首先在训练视频中连续提取单帧图像中的目标一人,人群,汽车,提取轮廓特征,几何特征作为目标的描述属性;其次对所提取的三类目标样本数据进行属性约简,得到三类样本的特征分布子空间;再次采用基于时手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到在相应样本空间中的样本分布;最后采用提出的单个神经网络生成算法得到单个神经网络并采用相对多数方法对神经网络进行集成.这里采用基于boosting、Bagging方法的集成神经网络和算法进行比较,结果表明本方法的分类精度要高于传统方法,是一种有效的目标分类算法.     

决策层时空信息融合的神经网络模型研究

融合目标识别可以获得比任意单传感器更加准确的目标识别结果。决策层融合由于其在信息处理方面具有很高的灵活性,成为信息融合研究的一个热点。针对传统融合算法环境适应性较差的缺点,提出了一种决策层时空信息序贯融合的神经网络模型,讨论了利用各传感器所处环境和专家知识等先验信息确定网络初始权值的方法,研究了网络权值的在线学习算法。仿真实验证明该网络模型的有效性。     

模糊相关性文本无关矢量量化说话人辨认研究

文本无关说话人识别的一个关键问题是寻求一种有效的说话人个性特征量.利用模糊向量内积理论,提出了一种新的物理量:连续特征矢量模糊相关度(CFVFC),以反映相邻特征矢量问的相关性,进而突出说话人的个性特征,并在此基础上研究了新的矢量量化(VQ)说话人识别方法.实验表明CFVFC是一种有效的识别信息,对于干净语音的说话人辨认,可以提高识别系统的识别率;在加噪声情况下,能增强识别系统的鲁棒性.     

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。     

应用自组织映射神经网络进行模拟电路故障诊断和仿真研究

讨论了一种应用自组织特征映射神经网络，建立并快速查找模拟电路故障字典的方法，该方法对单、多软硬故障的识别快且有效。同时，利用神经网络的泛化性，有效地克服了容差因素对故障定位的影响。     

基于证据理论的集成神经网络故障诊断方法

以Dempster Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变速箱轴承故障诊断为例,详细说明了该方法的具体步骤。结果表明,经过多故障特征信息,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该诊断方法的有效性。     

基于模糊核熵的短语音说话人识别

为了解决由于模糊加权指数选取不当而导致系统性能下降的问题,将熵函数引入到核映射的特征空间中,提出了一种基于模糊核熵的短语音说话人识别新方法.通过定义特征空间中的模糊核熵目标函数,设计了模糊核熵矢量量化器,在高维特征空间中对说话人的语音进行训练和识别匹配.引入熵的算法具有更加清晰简洁的数学形式和物理含义.为了进一步提高系统性能,利用模拟退火法对熵函数中的模糊熵度进行全局优化,提出了一种基于模拟退火的模糊熵度更新方法.实验表明,该方法对于较短的训练语音,其识别效果优于高斯混合模型和模糊核矢量量化.     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

一种基于神经网络的免疫识别故障检测模型

提出了一种基于神经网络的免疫识别故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将被检测对象的故障模式信息存储于分布的检测器中,检测器用于捕获被检测对象的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

高超声速制导炮弹终端滑模控制

针对高超声速制导炮弹的动力学耦合与非线性控制问题,设计一种基于反馈线性化的终端滑模控制器。首先,兼顾控制系统设计的简便性要求与高超声速制导炮弹的强非线性特点,建立非线性控制模型。然后,对模型中动力学耦合问题,根据微分几何理论对其进行反馈线性化,实现俯仰通道与偏航通道的解耦。最后,对两通道分别设计终端滑模控制器,且控制器有限时间收敛。仿真结果表明,所设计的控制器能够快速稳定的追踪指令信号,且在外界干扰与参数摄动的情况下依然具有良好的鲁棒性。     

水下目标的特征提取及识别

针对水下成像的特殊性以及成像环境的复杂性,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难。此外针对传统的BP神经网络存在收敛速度慢以及容易陷入局部极小值的缺点,引入粒子群算法对神经网络的学习训练进行优化。为了验证所提方法的有效性,对四类水下目标进行了特征提取以及神经网络识别实验。结果表明改进后的神经网络收敛速度快,并且获得了较高的识别准确率。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

基于EM算法的有监督LVQ神经网络及其应用

针对监督LVQ神经网络存在神经元未被充分利用以及输入样本和竞争单元之间的信息被浪费等问题。通过将EM算法引入到LVQ神经网络中,提出了基于EM聚类算法的有监督LVQ神经网络(即EMLVQ网络),从而弥补了LVQ神经网络的不足且具有EM算法提取样本信息精确的优点。通过参数的简化可以得到EMLVQ算法是软竞争格式(SCS)的一种推广。最后将它们应用于说话人辨识。实验表明,EMLVQ神经网络辨识说话人取得了很好的效果。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。