混合语音信号的盲分离技术

在语音信号盲分离问题中,通过短时傅立叶变换把语言信号从时域卷积混合转化为各频点的瞬时混合将导致分离结果出现次序和幅度上的不确定性.本文通过实验探讨了信号盲分离的方法及其幅值补偿与重新排序的方法,并在MATLAB环境中进行了仿真,实现了语音信号的盲分离.     

基于ESPRIT法的UWB系统同步与信道联合估计

提出基于ESPRIT算法的超宽带系统同步-信道联合估计算法.首先对接收信号进行傅立叶变换,由傅立叶变换结果计算自相关函数,基于自相关函数的信号子空间构造矩阵束,把同步、多径时延估计转化成矩阵束的特征值求解问题.求解出时延后再进一步求解信道参数.     

混合语音信号的盲分离及排序技术

在语音信号盲分离问题中,通过短时傅立叶变换把语言信号从时域卷积混合转化为各频点的瞬时混合将导致分离结果出现次序和幅度上的不确定性。本文通过实验探讨了信号盲分离的方法,及其幅值补偿与重新排序的方法,并在MATLAB环境中进行了仿真,实现了语音信号的盲分离。     

傅立叶变换在工程应用中的演变

傅立叶变换是分析信号与系统最基本的分析工具,但在工程实际应用中具有很大的局限性,由此产生了多种傅立叶变换的演变形式,常见的包含离散傅立叶变换、快速傅立叶变换、短时傅立叶变换、小波变换、Laplace变换、Z变换等,这些变换形式都与傅立叶变换有关,都可以从傅立叶变换推广得到,它们和傅立叶变换之间以及它们相互之间可以转化.     

傅立叶变换的复奇偶性

傅立叶变换是信号处理中的基本时-频变换工具,它有许多基本性质.本文从傅立叶变换的实奇偶性出发,对复时间信号的傅立叶变换及其幅频和相频特征函数的奇偶性做了详细的推导与论述,其结果有助于我们进一步理解信号在时域与频域之间的联系.     

GPS软件接收机中C/A码信号捕获的圆周相关算法

采用圆周相关算法实现全球卫星定位系统(GPS)C/A码信号的捕获. 该算法用快速傅立叶变换将输入数据和本地产生的数据变换到频率域, 在频率域进行二者的圆周相关处理, 对相关结果反变换并找到其最大绝对值, 将该值与预先设定的门限值比较, 如果大于门限值, 则信号捕获成功. 圆周相关算法可实现快速获取GPS C/A码信号, 且灵敏度较高.     

改进的子波过零电子耳蜗语音编码策略

提出改进的倍频程小波过零刺激方案(WZCS),以改善电子耳蜗语音编码策略的性能.在语音信号倍频程小波变换域的过零点通过幅度调制合成刺激脉冲,并基于Matlab对该算法和连续间隔采样(CIS)、通道专用采样序列(CSSS)、频率幅度联合调制编码(FAME)等编码策略进行仿真,将合成信号与原始语音、合成信号频谱与原始语音频谱进行了相关性分析.仿真结果表明,WZCS算法合成信号的频谱与原始语音信号的频谱相关系数最大,WZCS算法合成信号频谱与原始语音最为相关,且相关显著,即与其他算法相比其保留了原始语音信号的更多频率和相位成分.     

傅立叶变换的奇偶虚实性

傅立叶变换是信号与系统分析中的基本时间—频率变换工具,本文从傅立叶变换的定义出发,对实、复时间信号的傅立叶变换及其幅频特性函数和相频特性函数的奇偶虚实性做详细的推导与论述,其结果不仅有助于我们进一步理解信号的时域与频域之间的联系,而且在信号分析中得到广泛应用。     

基于心电信号频域特征的身份识别方法

本文提出了一种基于频域特征的心电信号身份识别的方法,利用傅立叶变换对心电信号进行频域分析,得到心电信号的幅频特性图谱,提取包括信号频域斜率、谐波数、幅度差值等特征参数,以及根据傅里叶变换,得到心电信号的能量谱中的低频能量、高频能量占总能量的比率构成代表心电波形的特征向量.分别利用相关分析和神经网络分类器进行识别,其中基于神经网络的身份识别准确率达到96.4%.     

基于软件无线电技术的单载波QDPSK解调算法

提出一种基于软件无线电技术的单载波四相差分相移键控信号数字化解调方案.该方案考虑到接收信号的每个码元区分为过渡区和稳定区,从而仅对稳定区内载波周期中的采样值进行离散傅立叶变换来实现解调,位同步也可以采用离散傅立叶变换提取载波幅值来实现.仿真结果表明,该方法不仅解调过程简单,计算量小,且抗干扰性能也得到了改善,可望在采用四相差分相移键控信号的数字化接收机设计中得到应用.     

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低下且检测耗时过长的问题,研究一种基于EEMD和OS-DL联合去噪的语音端点检测算法。首先利用EEMD（总体平均经验模态分解）算法对输入语音进行分解得到IMF（本征模式分量）,然后使用OS-DL（一步式字典）算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明：该算法在复杂环境信噪比低于-10dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

小波变换在语音去噪中的应用

提出一种新的基于小波变换的语音去噪算法。利用此特性对信号进行小波域波滤,可从加噪的语音中提取人耳所能接受的频率成份,是一种简单有效的语音去噪算法。     

语音信号基本载体的研究

语音信号特征的提取是语音识别的基础，目前使用的特征提取方法要将语音信息经多次复杂变换后提取特性。这样，往往满足不了实时性要求。该文对原始语音信号做简单处理，的实验，证明了经简单处理后语间信号波形比原始波形简单，直观，计算频域特征和自相关特征等简单方便，实时性好，并有望从中进一步发现新的语音特征提取方法。     

一种新的电能质量扰动识别方法

针对电能质量扰动信号数据多、识别速度慢、识别过程复杂等问题,提出一种基于压缩感知理论和一维卷积神经网络的电能质量扰动信号识别分类方法,该方法通过离散傅里叶变换、高斯矩阵获取原始扰动信号的稀疏向量,利用正交匹配追踪算法重构扰动信号,将原始扰动信号和稀疏向量输入一维卷积神经网络分类模型;由仿真结果可知,可充分降低现有识别方法所需处理的扰动信号的数据量,实现了以较少的数据量表达扰动信号的特征信息,对有、无噪声情况下的14种单一、复合扰动信号具有很高的识别率,表明了方法具有采样数据少、特征提取方便、高识别率和较好的噪声鲁棒性的特点。     

基于块对角结构的语音信号盲压缩重构

为在复杂环境中提高语音信号的重构精度, 提出基于正交块对角结构的语音信号盲压缩重构算法, 通过最优求解找到一组对应的正交块对角变换基及稀疏矩阵, 利用二者乘积实现语音信号压缩重构。该算法确保盲压缩感知理论具有唯一解, 能从复杂的环境中恢复原始语音信号, 具有更强的自适应性, 在保证听觉效果的同时, 大大降低了观测维度。实验结果表明, 基于正交块对角结构盲压缩感知(OBD-BCS: Orthonormal Block Diagonal Blind Compressed Sensing)算法能高质量恢复语音信号原始结构。     

基于IDFT的椭圆球面波函数重构产生方法

针对椭圆球面波函数(PSWF)信号的实时产生问题,给出了PSWF的傅里叶级数展开式,研究了PSWF信号的有限傅里叶展开,并对其误差进行了分析,最后提出了基于离散傅里叶逆变换重构产生PSWF信号波形的方法.该方法建立了PSWF信号与正余弦级数之间的联系,并将高效、成熟的傅里叶变换技术运用到PSWF信号的产生上,提高了PSWF数字波形产生的硬件可实现性.同时,也为其他复杂波形信号的实时产生提供了一种切实可行的产生方法.     

基于减谱法的语音增强和噪声消除的研究

介绍了减谱法进行语音增强的一种方法 .分别对语音和噪声信号进行傅立叶变换 ,求得它们的频谱 ,相减得到的是去噪后语音的频谱 ,再进行傅立叶反变换 ,即可得到增强语言信号 ,从而有效地抑制了噪声     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

网格重建算法

快速傅立叶变换（ＦＦＴ）要求数据上位于直角坐标晶格点上,实际情况中有些方法数据点分布不参能满足ＦＦＴ的要求。不精确的插针引入数据缺陷,限制了快速傅产叶变换的适用范围,该文采用网格算法,选取适当的卷积函数,并对非均匀采样的数据进行归一化处理,最后用ＦＦＴ重建图像。