基于神经网络的声场景数据声谱图提取方法

在复杂环境声场景识别任务中, 梅尔频谱作为输入的深度卷积神经网络有良好的识别能力, 然而梅尔滤波器组依据人耳生理特征设计, 对于声场景识别并非最优滤波器组。针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程, 通过训练该网络使声谱图自动适应声场景数据集。声谱图提取神经网络连接ResNet50作为声场景识别架构, 在DCASE2019声场景数据集上进行训练与测试, 实验结果表明该架构比传统模型有更高的识别率, 能够有效调整频率曲线、滤波器幅值以及滤波器形状。     

超声检测钢中大理石夹杂的计算机模拟

从有限元基本理论出发,建立了钢的二维计算机模拟模型.对钢板中含有大理石夹杂缺陷时的超声波传播情况进行了数值模拟计算.重点在频域中对透射波信号进行了频谱分析,通过频谱分析得到的各种频域特征量和灵敏频率可以得出大理石夹杂缺陷对超声传播的影响.模拟结果对实际应用有一定的参考价值.     

基于LabVIEW的三种相位差测量法的对比分析

在介绍测量相位差的三种算法即过零点法、相关法和频谱分析法的原理的基础上运用LabVIEW虚拟仪器分别实现了这三种算法,并分析了这三种算法产生误差的原因,提高相位差测量精度的方法,通过对三种算法进行比较分析指出了各自适用的场合。     

基于多重分形频谱分析的图像边缘检测

提出了一种基于多重分形频谱分析的图像边缘检测方法．该方法首先计算出图像像素点的粗粒化Hǒlder指数,并用核估计方法估计出图像与该粗粒化指数相对应的多重分形奇异频谱,然后根据图像的多重分形频谱值就可以检测出图像的边缘点．实验结果表明该方法是有效的,而且与传统方法相比具有更好的局部性．     

welch功率谱估计法在流化床风帽故障检测中的应用研究

利用循环流化床常见故障风帽的实际模型,在搭建的冷态鼓泡流化床的试验台上对流化床正常风帽工况和故障风帽工况下流化床炉膛内复杂多相流动的工况进行模拟。并对正常风帽和故障风帽工况下循环流化床风室内的压力波动信号进行了采集,应用welch功率谱估计法处理采集的压力波动信号,最终得出两种工况下功率谱密度(power spectral density,PSD)的分布情况。对比正常风帽与故障风帽工况下流化床风室内压力波动信号的功率谱密度分布情况,提取故障时的特征值,来实现循环流化床风帽故障的检测与诊断。试验表明,该方法能对流化床风帽的故障进行检测与诊断。提出应用welch功率谱估计法对流化床风帽故障检测的方法,为流化床风帽故障的在线检测提供参考价值。     

基于预测机制的认知无线电机会频谱接入

基于认知无线电(CR)的机会频谱接入技术,近年成为一个研究热点,但大部分文献是根据当前主用户的频谱活动情况来指导次用户的频谱接入。提出一种新的接入机制,根据主用户过去和现在的频谱活动来预测其未来的频谱活动,从而使次用户可以接入可用性高的频段,减少与主用户发生冲突碰撞的可能性。另外,门限值的设定更进一步减少了不可靠的频段,使次用户的通信质量得以提高。通过仿真实验可看出,与传统的接入机制以及未设门限值的接入机制相比较,所提方案能有效地减少主次用户之间的冲突碰撞率。     

认知无线电中基于循环平稳特征的频谱感知方法

提出一种基于信号频域循环平稳特征的频谱感知方法,该方法能够区分出授权和非授权信号的类型从而获取不同的频谱共享策略将授权信号及非授权信号分别建模成线性周期时变变换,对授权信号和非授权信号进行频域的循环平稳特征分析,给出2类信号呈现循环平稳特征的位置,并给出用于鉴别2类信号的检测方法,其中推导了复过程中近似协方差矩阵的计算。仿真结果验证了该方法能在低信噪比中有效地鉴别出授权及非授权2类信号。     

基于马氏链的感知无线电信道状态预测及容量估计

针对感知无线电(cognitive radio,CR)信道的动态特性,对感知无线电频谱占有模型进行了研究,利用马尔可夫模型对频谱占用情况以及信道状态变化情况进行概率统计和估计,基于估计结果,进行实时预测频谱占用情况和实现信道容量估计,并给出了一个容量估计公式。仿真结果显示信道状态预测及容量估计准确性很高,为基于QoS的感知无线电动态选频提供了很好的参考依据。     

频谱分解技术在浊积砂体勘探中的应用——以滨682井区为例

频谱分解技术是一项基于频率的储层解释技术,就是将地震记录分解成不同的频率成分,从而应用这些单一的频率成分来分析不同厚度范围内的储层变化情况。它利用薄层的调谐效应,在频率域成像出薄储层的厚度及不连续性等特征,目的在于提高解释资料的纵、横向分辨率．是一项薄储层识别和描述的有效技术。本文阐述了基于非正交小波变换的频谱分解技术的基本原理,并以滨682井区为例,探讨了该方法的应用过程及应用效果。     

基于MFCC和SVM的说话人性别识别

建立了普通话语音性别数据库,提出联合梅尔频率频谱系数(Mel-frequency CepstrumCoefficients,MFCC)的特征提取方法和支持向量机(Support Vector Machine,SVM)的分类方法进行说话人性别识别,并与其它分类方法进行比较,实验结果表明该方法的说话人性别识别准确率达到98.7%,明显优于其它分类器。