单通道双MFSK信号调制识别方法

针对单通道双MFSK信号的调制识别问题,提出了一种基于经验模态分解(EMD)和分形盒维数的调制识别算法。该算法利用EMD将混有高斯噪声的双MFSK混合信号分解成多个分量,提取每个分量的分形盒维数作为特征参数,使用BP神经网络作为分类器对其进行识别。仿真结果表明,该算法对频谱不混叠的双MFSK信号有较好的识别效果。     

EMD在说话人辨认中的应用

提出一种基于经验模式分解的说话人辨认方法.通过对语音信号进行经验模式分解得到一系列内在模式函数,提取每一级模式函数的Mel频率倒谱系数和相邻两级模式函数差的Mel频率倒谱系数作为表征说话人的特征参数,对得到的特征参数用矢量量化进行识别.实验结果表明,方法是有效的.     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

基于混合进化计算的GMM优化方法及其在说话人辨认中的应用

提出了基于进化高斯混合模型(EGMM)的说话人辨认系统建模方法.EGMM在进化算法的框架下,为改善模型的泛化性能对GMM模型的结构与参数共同进行了优化.同时,系统的优化目标中引入了其他用户的区分性信息以提高其分类精度.根据GMM的特点设计了专门的遗传算子并结合GA与EP提出了一种新的混合进化算法.初步实验结果表明,EGMM方法建立的说话人模型具有更强的泛化能力.在说话人辨认实验中,较之传统的GMM方法,基于EGMM的系统的正识率提高了近3%,并且模型具有更小的平均尺寸.     

球坐标系下的小波图像去噪方法

介绍一种新的小波图像去噪方法，该方法首先将图像二维小波分解后的3个高频分量进行球坐标变换，然后对其径向分量r进行收缩去噪处理，与传统的直接收缩去噪法相比具有算法简单、工作量少等特点．仿真结果表明，该方法去噪效果良好．     

基于小波和Curvelet变换联合去噪的含噪盲源分离

独立分量分析(ICA)是一种仅依据信号间的统计独立的性质,对多路观测到的信号进行盲源分离的方法.现有的独立分量分析算法大都假设在无噪声情况或噪声很小可以忽略不计的情况,而在强噪声背景下,这些算法都无法获得理想的分离效果.在含噪信号盲源分离一般模型的基础上,提出了一种小波和Curvelet变换联合去噪的含噪信号盲分离算法.通过对高斯噪声背景下的混合图像的仿真研究,表明该方法能有效的提高图像的信噪比,减轻了噪声对经典ICA算法分离性能的影响,很好的实现了含噪混合图像的分离.     

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认. 该方法利用神经网络 和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的 空间信息. 嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性. 在背景模型和目标模型的训 练中交替更新高斯混合模型和神经网络的参数. 实验表明,采用本文提出的模型并结合TNorm方法,比基线系统 的确认率提高26%.     

二维波动方程测井约束反演的自适应同伦共轭梯度法

波动方程反演问题在许多领域中具有广泛应用,它面临非线性、不适定性和计算量巨大的问题.针对波动方程反问题的特点,以二维波动方程反问题为数学模型,通过利用地震资料和测井资料联合反演技术,将同伦共轭梯度法与测井约束相结合,对模型的速度参数进行联合反演,以获得完整的速度参数分布信息,从而使波动方程反演具有更强的抗噪能力和更高的...     

基于Shearlet域各向异性扩散和稀疏表示的图像去噪

为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet 域各向异性扩散和稀疏表示的图像去噪方法. 首先对含噪图像进行非下采样shearlet 变换(nonsubsampled shearlet transform, NSST),将图像分解为低频分量和多个高频分量. 低频分量中包含图像信号的主要能量以及少量的噪
声,而高频分量中含有大部分噪声和图像边缘信息. 然后,利用K-奇异值分解(K-singular value decomposition,K-SVD) 算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD) 算法进行去噪. 最后,对处理过的低频分量和高频分量进行非下采样shearlet 反变换(inverse nonsubsampled shearlet transform, INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节. 实验结果表明,与小波扩散去噪法、shearlet 硬阈值去噪法、K-SVD 稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.     

基于高斯相似度分析的最大后验非线性变换HMM自适应算法

由于训练环境和识别环境的失配,识别系统的性能会严重下降,为此提出了基于高斯相似度分析的最大后验概率非线性变换的环境自适应算法,它可以减小由于环境的失配所引起的系统性能的下降.在该算法中,首先将HMM模型中的高斯分量进行相似度分析并建立二叉树,然后根据数据自适应调整变换类数,在每一类内利用分段线性回归近似非线性变换将训练环境下的HMM变换到识别环境,减小环境的失配,变换参数的估计采用了最大后验概率估计(MAP).数字语音识别实验证明:该环境自适应算法的识别性能优于带有高斯相似度分析的MLST、MAPLR和MLLR等算法.     

岩石声发射特征参数研究现状与展望

针对岩石声发射主要特征参数b值与分形维值D值,分析了声发射b值与D值的研究现状,并在此基础上,探讨了目前岩石声发射特征参数b值与D值研究中的不足之处,并对岩石声发射特征参数的研究进行展望。     

雷达辐射源个体特征的提取与识别

针对雷达辐射源个体特征,应用波形熵和能量熵对经过围线积分后的双谱估计结果进行特征提取,并根据此特征构成的二维特征向量实行后续的个体识别码. 针对二维特征向量识别,应用质心距离法分析提取出二维特征向量,对此二维特征向量所对应的雷达辐射源个体进行识别,并与模糊C-均值聚类法进行对比分析. 通过仿真实验和实测分析,验证了所提方法能在一定信噪比下对雷达辐射源个体进行正确的识别.     

加权邻域重构及其在声目标识别中的应用

摘要： 针对流形学习方法用于声目标识别时易受噪声干扰的情况,提出一种加权邻域重构算法,采用加权迭代方式构造出带噪流形子曲面中最能反映该曲面变化趋势的曲线,通过拓展该曲线对带噪流形子曲面进行重构,利用新曲面计算低维嵌入. 该算法在去除噪声的同时,最大限度地保持了原流形曲面的变化趋势,是一种适用于声目标识别的算法. 在公开数据库和低空飞行目标实际数据中进行实验,结果表明在识别正确率及运行时间上,本文提出的算法相对于其他3 种对比算法均取得了较好的效果.     

基于对立色与显著区域的紧凑图像哈希算法

为了有效利用图像的颜色与局部信息提高算法识别能力,提出了一种基于颜色信息与显著区域的紧凑图像哈希算法.首先对输入图像进行预处理,然后提取图像的颜色对立色与亮度分量,并从颜色对立色中获取颜色特征,进而对亮度分量按照视觉注意力权重矩阵提取图像显著区域的稳健特征,最后将所有特征联合起来并扰乱得到最终的哈希序列.实验结果表明,所提算法与已有的哈希算法对比具有更好的图像分类性能、较短的哈希长度和较少的运算时间.同时,在篡改检测上具有较好的识别能力.     

基于改进EMD去噪和矩阵束的电力系统低频振荡模态辨识

提出了一种电力系统低频振荡模态辨识方法.首先使用改进的经验模态分解(empirical mode decomposition, EMD)去噪算法对低频振荡信号进行预处理.针对传统EMD去噪时混叠噪声严重和计算时间较长的问题,在区间阈值处理的基础上向信号叠加余弦波并进行二次分解,可以快速有效地实现信噪分离.随后再利用矩阵束(matrix pencil,MP)算法提取模态参数.对于MP算法的关键定阶问题,引入奇异值的相对差值作为定阶指标,可以实现较为准确的阶数估计.最后对数值信号、系统仿真信号和电网实测信号进行分析.仿真结果表明,所提方法在抗噪能力、参数精度和计算速度等方面都表现优异.     

一种基于改进径向基神经网络的人脸图像识别方法

常用于径向基神经网络中心参数学习的K-均值聚类算法,易受初始参数选取的影响而收敛于局部极小值.将自动终止聚类判据的减聚类算法用于径向基网络的学习,可根据样本集确定径向基函数数目,且其计算量与数据点的数目与考虑问题的维数无关,很适合于人脸这种维数较高的模式.实验证明,应用这种算法训练径向基神经网络识别人脸,从识别精度到识别速度上都优于传统算法.     

MIMO信号调制方式盲识别

提出一种基于盲信号分离的方法对MIMO信号进行调制识别. 该方法对接收信号的相关矩阵作奇异值分解,用于估算发射天线数目,并对信号进行白化. 采用特征值矩阵的联合近似对角化(joint approximate diagonalisation of eigen-matrices, JADE)算法对接收信号进行分离,恢复发送端信号. 通过分析信号的频谱特征,提出4 个新的特征参数,并结合四阶累积量实现对MIMO体制下6 种信号调制方式的识别. 识别过程中无需估计载波频率和符号率等参数,具有较强的实用性. 仿真结果表明文中提出的方法具有良好的性能.     

采用分数低阶循环谱相干系数的调制识别

摘要： Alpha稳定分布噪声导致二阶循环谱相干系数失效,使相应的通信信号调制识别算法退化. 针对这个问题,提出了基于分数低阶循环谱相干系数的识别算法. 文中给出了分数低阶循环谱相干系数的相关理论,分析了通信信号的分数低阶循环谱相干系数,在此基础上提取谱相干系数循环频率域特征作为识别特征参数. 用BP神经网络为分类器,实现了通信信号调制方法识别. 仿真结果表明,在Alpha稳定分布噪声下,该识别算法性能优于基于二阶循环谱相干系数的方法. 在高斯噪声条件下,两种识别算法性能相当.     

基于后验知识监督的噪声鲁棒声学模型研究

语音人机交互技术作为近几年的一个研究热点,市场需求逐步增长,但是人机交互系统在抗干扰能力上存在不足,系统性能易受环境噪声的影响,一定程度上限制了相关产品的应用推广针对人机交互噪声鲁棒性问题,提出了一种基于后验知识监督的噪声鲁棒声学建模方法,类似于老师指导学生的方式,以老师模型的后验概率分布（软标注）作为指导知识对学生模型的训练进行监督,并设计出一种基于CNN DNN混合网络的学生模型,通过对带噪语音的高层特征进行提炼,提升声学模型的抗噪性能构建的学生模型在CHIME带噪数据集下进行了性能验证实验,实验结果显示三种老师模型监督下的学生模型词错误率与基线模型相比平均下降了5.21%、6.35%和7.83%,表明提出的后验知识监督方法对声学模型的鲁棒性具有很好的提升效果     

动态分段的飞机舱音记录器混合信号在线盲分离性能分析

针对飞机驾驶舱话音记录器(CVR)中存在轻微时变特性和信号有大量近零值的情况,提出一种基于信号样本动态分段的在线盲分离算法.应用独立分量分析的在线算法对CVR混合信号进行动态分段处理,再通过快速的FastICA算法进行精确化求解.为了使估计器获得最佳性能,适当调整分离矩阵各行权值.仿真结果表明,该算法可有效地将CVR混合信号中独立的声音信号分离出来,分离效果优良.