基于小波变换的柴油发动机辐射噪声线谱分析

对小波变换(多分辩率分析)用于柴油发动机辐射噪声分析.利用小波变换的"变焦"性能,并基于其多分辨率分析,以柴油发动机辐射噪声信号为对象,使用Daubechies小波及快速小波算法———Mallat算法对其进行塔式分解,然后进行各级小波波形结构特征提取,再结合经典谱估计的方法分析其线谱特征,进而提高线谱的分辨率,以获得更多的信息量,为柴油发动机降低噪声提供理论依据.分析表明,将小波变换应用于柴油发动机辐射噪声线谱分析具有重要的意义.     

一类多频线谱振动的主动控制方法

针对多频线谱振动提出一种新的主动控制方法--多通道解耦LMS自适应滤波方法.该方法以多个并行的LMS自适应滤波器结构和带通滤波器组成前馈控制器,带通滤波器对自适应滤波器进行解耦,以一个单自由度的减振器作为执行机构,对多个频率线谱振动进行主动减振.综合了LMS算法的快速性和频域自适应滤波的有效性,物理意义清晰,易于扩展.应用于国产某型机械式制冷机的主动减振,用B&K的PULSE 7700对现场调试结果进行分析,验证了该方法的有效性.     

线谱对矢量量化方法的改进

介绍了8kb／sCS-ACELP语音编码算法中线谱对参数的基本原理，对线谱对参数作了详细的说明，并给出了由LPC系数到线谱对参数的转变过程。对算法中线谱对量化方法做了分析，提出了改进方法。通过仿真试验，证明了新的量化方法有一定的有效性。     

LSF标量格型混合量化

为了降低线谱频率(LSF)参数矢量量化器的搜索复杂度和码字存储单元,利用格型矢量量化的优点,设计了一种适合LSF参数量化的标量格型混合量化器。该量化器对LSF参数的预测残差矢量的第一、二个参数进行标量量化,余下的参数则利用格型矢量量化,从而降低了搜索复杂度和码字存储单元,与G.729协议所使用的LSF量化技术相比,有一定的改进。     

线谱对参数的一步插值预测矢量量化

利用语音短时谱变化相对较慢、其邻近ＬＳＰ（ＬｉｎｅＳｐｅｃｔｒｕｍＰａｉｒ）失量存在充分相关这一特性，提出了一种新的谱编码方法，即ＬＳＰ编码的一步插值预测矢量量化。本文设计了一个１８ｂｉｔ／ｆｒａｍｅ分裂矢量量化方案用于量化预测残差，当帧变化周期为３０ｍｓ时，平均谱失真仅为１．１７８ｄＢ。     

基于辐射噪声线谱削峰的双层加肋圆柱壳结构声学设计

为降低水下航行器辐射噪声线谱,提出了一种弱辐射双层加肋圆柱壳结构. 采用机械阻抗理论分析了环肋圆柱壳模态响应幅值控制机理;引入圆截面内运动假设,利用模态展开法推导了环肋径向机械阻抗表达式;基于阻抗失配、波形转换原理,设计了阻抗加强环肋模型,并利用波动理论分析了其隔振性能;考虑壳间托板的强耦合作用,对托板进行了阻波设计. 将阻抗增强肋骨和复合阻波托板联合应用到双层壳结构声学设计中,数值分析了设计前后双层壳振动与声辐射性能. 结果表明:提出的新型双层加肋圆柱壳能有效实现辐射噪声线谱削峰,振动均方速度、辐射声功率和辐射声压大幅降低,具有显著的减振降噪效果.      

基于稀疏约束非负矩阵分解的水下线谱增强方法

水下目标线谱增强是被动声纳目标探测的关键问题之一。传统的线谱信号处理方法集中于时域和频域处理,本文提出了利用非负矩阵分解,在时频联合域内进行线谱信号增强的处理方法,以目标线谱信号的时频矩阵作为非负矩阵分解的输入,通过基矩阵提取线谱信号的频谱模式。根据线谱信号在频域的稀疏性质,对基矩阵进行稀疏性约束,利用权重稀疏扫描的方式讨论基矩阵的稀疏度和频率估计精度随权重系数的变化关系,确定稀疏约束项的有效权重系数区间。仿真结果显示,稀疏约束项在低信噪比条件下表现出优越的线谱增强能力,最低信噪比可达-30 dB。海试数据结果表明,此方法可以有效地提高对线谱信号的提取能力。     

TGS单晶电畴运动的微分回线谱分析

微分电滞回线谱方法可分出铁电体中漏电导、非铁电性电容的影响而得到纯铁电机构运动的信息.采用该方法对硫酸三甘肽(TGS)单晶进行研究,确认单晶铁电畴的生长速度与外加电压的峰值大小和周期都密切相关.要想得到给定样品的完整电滞回线,外加电压需大于样品的矫顽电压,信号频率应尽可能小.否则,根据不完整电滞回线得到的极化强度、矫顽场等信息是错误的.对于厚度为0.50mm的TGS样品,频率需小于10Hz,电场峰值需大于1.2kV/cm,比矫顽场大30%.     

线谱频率帧内、帧间联合预测算法

为充分利用线谱频率的帧内及帧间相关性降低语音的编码速率,设计了基于偏最小二乘及其简化算法的帧内、帧间联合预测模型.该模型可根据浊清音出现次序的不同,利用前后帧的线谱频率及当前帧的第i-1个已预测的线谱频率对当前帧的第i个线谱频率进行预测.结果表明,偏最小二乘模型及其简化模型均有效降低线谱频率的动态范围,其中基于偏最小二乘回归算法的预测模型最为精确,而简化模型的运算量及计算复杂度均优于偏最小二乘回归算法的预测模型,在采用(4,6)分组SVQ量化器对LSF参数预测误差进行量化时,每帧仅用7比特即使平均谱失真小于1dB,较2.4 kbps下MELP编码标准中每帧对线谱频率的量化比特节省了18比特.     

能量参数解码端HMM估计算法

在低速率语音编码算法中,如何对特征参数进行有效的量化表示是影响声码器合成语音质量的关键因素。该文提出一种能量参数解码端恢复算法,它利用线谱频率(linespectral frequency,LSF)和清浊音判决参数(unvoiced/voiced decision,U/V)估计能量参数的变化轨迹。该算法利用特征参数之间的相关性,采用隐Markov模型(hiddenMarkov model,HMM)描述LSF、U/V和能量参数之间的统计特性,通过对能量进行解码端恢复,省去量化所需的比特数,从而提高特征参数的整体量化性能。测试结果表明:能量参数解码端恢复算法能够将150b/s混合激励线性预测编码算法(mixed excitation linear prediction,MELP)的合成语音平均意见得分(mean opinion score,MOS)提高0.042。该算法应用于超低速率声码器参数量化是可行的。