基于梅尔频率倒谱系数与短时能量的低信噪比语音端点检测

低信噪比环境下语音信号的端点检测在语音识别与通信等领域具有重要意义,目前低信噪比环境下的端点检测还存在效率低、识别率不高等问题.本文在分析梅尔频率倒谱系数(MFCC)和短时能量在端点检测中应用的基础上,提出将MFCC前三维度分量相加(MFCCa),再与短时能量相除(梅尔能量比)作为语音特征参数的语音端点检测测度,最后利...     

基于声发射时频特征的岩石破裂前兆识别方法

为得到岩石破裂的有效前兆信息,通过时频分析方法研究了白云岩破裂的声发射波形信号。对取样于2008年汶川地震引起的东河口滑坡源区的白云岩样品开展三轴多级循环加载试验,分析其力学及声发射特性,并从声发射波形时频特征分析岩石破裂前兆信息。在声发射波形参数(主频)的基础上提出一个新的特征参数：主主频(即最大主频),对13个主主频关键点进行傅里叶变换(FT)和三维短时傅里叶变换(3D-STFT),分析其时频演化特征,以期得到岩石破裂有效的前兆信息。研究结果表明：声发射事件率、累积振铃计数和能量均反映白云岩试样受力破裂过程的动态演化规律;白云岩试样的主频呈带状演化,破裂前兆表现为高频区间向低频、中频区间转移,累积主频曲线的斜率在891 s处达到峰值,可作为岩样破裂的前兆信息之一;在6次循环加、卸载中,主主频呈现高频率值与低频率值交替出现的规律,将主主频突降的第11个点(784 s)作为预警前兆之一,相比主频预警点(891 s)提前了107 s。对比分析可知主主频能获取更为细节的岩石破裂前兆信息,从而为岩石破裂预警提供科学依据和理论基础。     

基于STFT-Inception-残差网络的轴承故障诊断

为使轴承故障诊断工作更加准确与智能化,构建了一种基于Inception结构和残差结构的卷积神经网络(CNN:Convolutional Neural Network),提出一种新的轴承故障诊断方法。首先使用短时傅里叶变换(STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图,分为训练集、验证集和测试集;然后使用训练集对搭建的Inception-残差网络模型进行迭代,不断更新网络参数,并由验证集检验模型是否出现过拟合现象;最后将训练好的模型应用于测试集,并通过输出层的分类器输出诊断结果。最终由实验证明所提方法的可行性,对轴承故障分类的平均准确率到达了99.98%±0.02%,相对于其他方法具有较高的准确率和稳定性。     

基于短时对数谱的MMSE语音增强算法研究

研究了单话筒采集条件下基于语音短时对数谱的最小均方误差(MMSE-LSA)估计的语音增强算法,给出了其算法分析的基本流程图.由于语音是时变的,因此,假设语音频谱分布为高斯分布,在此基础上讨论了MMSE-LSA算法的先验信噪比ξk的2种估计方法--最大似然估计方法和直接判决估计方法.试验证明此方法的语音增强效果较好,尤其在较低信噪比时效果更明显.     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

濮阳市区配电网运行情况分析

濮阳市城区配网对检修工作及临时检修管理严格把关,积极采用分段试送、带电查接地等积极的故障处理方法,开展零点工程、带电作业,保障了配网的安全、可靠运行,严格控制临检,使配网管理逐步规范化,配网供电可靠性有了很大提高。     

关于脑电信号分析方法的探讨

阐述了傅里叶变换(FFT)、短时傅里叶变换(STFT)以及小波变换的理论,并在MATLAB中对实验中自由活动大鼠运动皮层放电过程中采集到的数据进行了分析.实验表明,小波变换为脑电信号处理领域的研究提供了一个更加有效的方法.     

基于GAR的同信道多信号的调制识别

为了解决同信道多信号的调制识别问题,提出了一种基于广义自回归(GAR)建模的调制识别方法。该方法利用观测数据的GAR模型参数估计各个待识别信号的短时平均中心频率和短时平均带宽,把一个多信号的调制识别问题转化为多个单信号的调制识别,并利用信号的短时平均中心频率和短时平均带宽的统计量作为特征输入到分类器,完成各个信号的调制类型识别。计算机仿真结果表明,当待识别信号在频域没有重叠或者部分重叠时,该方法都是有效的。     

采用时频分析的变换域通信系统基函数设计

为使变换域通信系统基函数充分利用背景信号的频谱分布信息以进一步提高系统抗干扰能力,提出了采用多进制序列设计基函数幅度谱的方法.首先在干扰存在的条件下,对单码片成型基函数调制及解调信号的短时频谱特性进行分析,由此推导出系统误码率的解析表达式,将求解系统误码率解析式的最优化问题转化为求最大信号干扰噪声比问题,利用随机相位的均匀分布特性对最大信号干扰噪声比问题进行求解,从而得到多进制序列基函数.仿真结果表明:该系统具有更好的抗干扰性能,在高干信比条件下也具有良好的通信效果;当干信比为25～41 dB且信噪比为-6～3 dB时,系统误码率均低于二元序列基函数的系统误码率;干信比为36 dB、信噪比为O dB 时,系统误码率可低于10-4.     

基于遗传算法改进的卷积神经网络短时交通流预测

交通流预测对于减少拥堵、节能减排具有重要意义.基于卷积神经网络的预测方法普遍采用梯度下降法训练神经网络,缺点在于预测对网络初始参数敏感.本文采用遗传算法对卷积神经网络的网络参数进行确定从而对短时交通流进行预测.首先,根据交通流数据的特点,设计了适用于交通流预测的卷积神经网络结构;然后,确定卷积神经网络的卷积核与全连接层参数的解空间;随后,采用遗传算法对卷积神经网络参数在可行域中通过选择、交叉、变异三种遗传操作不断迭代搜索得到最优参数解.仿真结果表明,与梯度下降法训练的卷积神经网络相比,该方法拥有更高的预测精度.