舰船噪声能量分布及零交叉密度在听觉上的反映

采用功率谱计算和小波分解的方法，分析了不同类型舰船辐射噪声在能量分布及噪声信号在不同尺度上的零交叉密度，找到了二者与人耳进行听音识别感觉之间的联系，为人的听音经验转化为数字特征提供了客观依据。     

汉语连续语言的自动分段

汉语是由单音节字组成的,而每个音节字又是由声母和调母组成的,分段就是从语言流背景噪声中检取出各音节字并分割出各音节字中声母和调母的范围。本文根据汉语时域参数的统计分布,设置若干阈值,用自动分段程序得出寂静、声母和调母的范围;以语言信号流波形的人工分段结果为标准,得出两句汉语(一句为女声,16个音节字;另一句为男声,9个音节字)的自动分段结果,其准确率达97％以上。     

基于过零点投切的智能电力电容器设计

针对电网低压侧无功补偿装置结构复杂以及投切时存在大量涌流等问题,采用过零点投切技术,研制开发了具有高集成、无涌流和低成本等优点的新型智能低压电容器.利用MATLAB对不同残压下投入电容器的系统模型进行了仿真,并与实际应用中电网电压为零时投入电容器的实验结果进行分析比较.结果表明,晶闸管两端电压过零时投入电容器无涌流.     

纯音乐与语音-音乐混合片段的高准确识别方法

通过对同一首歌曲音频信号的特征分析,提出了一种基于音频片段平均短时能量和过0率标准偏差的融合判决方法．该方法解决了纯音乐与语音-音乐混合片段识别易混度高的问题,可以准确地识别同一首歌曲中纯音乐片段和语音-音乐混合片段,为去除音频中不需要的部分提供一种有效的预处理方法,并且可以更好地提高数据处理的效率和性能．实验结果表明,通过对不同风格、不同歌手以及不同语言的歌曲处理,纯音乐的平均正确率为92．30％,语音-音乐混合的平均正确率为96．36％．     

基于自适应L滤波器的脑事件关联电位单次提取

提出了一种基于自适应L滤波的脑事件关联电位单次提取方法。将背景噪声看成一系列起伏状脉冲,利用零交叉方法估计各单次记录信号中噪声的脉冲宽度,取其最大值作为基准参数,自适应地动态确定各单次滤波时所用窗口的大小。在窗口大小确定后,对各单次记录到的信号进行L滤波处理。实验所采用的刺激方式为视频奥德勃（odd-ball)模式,直接对直接数据进行处理。将实验结果与普通叠加平均结果及原始单次记录进行了对比,结果表明脑事件关联电位单次提取效果良好,所提出的方法对噪声的分布和平稳性没有特殊要求,因而具有较强的适应性和稳健性。     

基于小波分析的语音端点检测方法研究

为了提高语音信号端点检测的准确率,提出了基于小波分析的端点检测方法。该方法在传统基于能量和过零率的端点检测方法基础上,通过小波分析计算语音信号各子带能量,进而求得其方差作为第三道门限,对信号进行三级门限检测。仿真实验表明,该方法比传统方法更有效、更优越,能够比较准确的检测语音信号。     

基于经验模态分解的核磁共振去噪方法研究

核磁共振（NMR）在孔隙结构评估和流体识别方面具有独特的优势，但NMR信号很容易受到噪声影响。根据NMR噪声的时域和频域特征，提出了基于一种经验模态分解（EMD）的NMR去噪方法。首先，利用EMD将信号由高频到低频分解为一系列的本征模态函数，以此分解噪声和噪声NMR信号，然后，使用曲线趋势法和改进的过零点率曲线确定信号噪声分离准则，将有用信号叠加到剩余项以获得去噪信号。通过岩芯数据和测井数据对比发现，基于EMD的去噪方法可以提高信噪比的同时保留孔隙结构信息，其去噪效果优于小波阈值和EMD小波阈值法，计算得到的孔隙度接近实际孔隙度。     

交流电阻焊动态功率因数的实时解析算法

基于对交流电阻焊焊接变压器初级回路电压、电流信号的建模分析,提出电流过零导数比法测量电阻焊动态功率因数.采用微型Rogowski线圈直接检测电流过零导数,并在以DSP为核心的点焊质量实时监控系统中实现了动态功率因数的实时计算.电流导数信号实时检测技术和数学模型的简洁解析表达形式同时保证了该算法良好的实时性.试验结果证明,该算法是有效的.     

改进的基于单一尺度的医学图像边缘检测

针对经典取边缘算法的缺点和高斯多尺度边缘检测中尺度选择的复杂性等问题,提出了改进的单一尺度边缘检测方法,并将该方法应用到医学图像的边缘检测中。该方法首先用平滑理论,对图像进行平滑,将图像中一些无用的细节信息平滑掉,抑制噪声和高频干扰成分;因为边缘细节也被平滑掉,所以再利用模糊增强算子加大边缘两侧灰度的差异,然后利用基于高斯核的单一尺度过零点边缘检测方法提取图像的边缘;最后,将该算法与经典的sobel,canny算子进行比较。实验结果表明,这种方法较好解决了图像边缘的提取精度和图像噪声的抑制能力之间的矛盾。     

经典Marr-Hildreth边缘检测的量子实现

通过设计高斯滤波和零交叉提取量子线路的方法, 实现量子图像的Marr-Hildreth边缘检测. 该方法中高斯滤波采用量子加法器和量子乘法器实现; 零交叉提取采用量子比较器和辅助模块实现. 理论分析结果表明, 该方法可实现对经典算法的指数级加速, 经典计算机上的仿真结果验证了该方法的有效性.