病态嗓音特征的小波变换提取及识别研究

通过分析嗓音的发音机理、病态嗓音与正常嗓音在频域的表现差异,利用小波变换对信号进行分解,突出病态嗓音的特点,提出了基于多尺度分析的小波降噪、分解的熵系数(Entropy Coefficient based on De-noise,Decomposition of Multi-scale Analysis,ECDDMA)作为识别的特征矢量集。并对比分析了语音识别中经典特征参数Mel倒谱系数(MFCC),分别运用这两种特征参数对242例正常嗓音和234例病态嗓音运用高斯混合模型(GMM)进行了识别。结果显示:ECDDMA系数较传统的模拟人耳听觉非线性特性的MFCC及其动态特征能更准确地表征正常与病态嗓音之间的差异,有利于同时提高病态和正常嗓音的识别率。     

病态嗓音的识别与研究

通过分析嗓音的发音机理,提取正常与病态嗓音的传统声学参数：基频、共振峰、Mel倒谱系数（MFCC）,以及非线性特征参数：计盒维数与截距,作为病态嗓音识别的特征矢量集。应用高斯混合模型（GMM）对156例正常嗓音与146例病态嗓音进行建模与识别。结果表明：非线性特征参数计盒维数与截距能很好地区分正常与病态嗓音,它们与传统声学参数基频和共振峰的组合,能够取得92.60%的识别率。     

一种改进的MFCC参数提取方法

为了提高语音识别率,提出了一种改进的MFCC参数提取方法。该方法应用小波包变换高分辨率的特点和语音高频加权的功能,在传统MFCC参数的基础上提取了一种新特征参数。新参数能对语音信号频率进行更加精细的划分,能够更稳定地减小频谱失真,且在一定程度上降低了信号的噪声。最后采用高斯混合模型（GMM）进行说话人语音识别,实验表明新特征参数取得了较好的识别率。     

一种基于HHT和AR模型的手部运动模式识别方法

为了实现基于表面肌电信号(SEMG)的手部动作运动模式识别,提出一种Hilbert-Huang变换(HHT)和自回归(AR)模型相结合的特征提取算法.该方法依据HHT后各层固有模态函数(IMF)的瞬时频率定义每层IMF的频率有效度,由频率有效度选取6层平稳的IMF,同时考察具有最大频率有效度的IMF,并以该IMF的瞬时幅值确定动作信号的起止点.对6层IMF中的动作信号建立AR模型提取手部运动模式的特征向量.提取主成分后,将降维的动作特征向量输入SVM分类器,实现基于SEMG信号的手部多运动模式的识别,对伸腕、屈腕、握拳、展拳4种手部动作的识别实验表明,该方法的识别正确率可达91%.     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

同步挤压小波变换提取地震信号瞬时属性

地震信号瞬时参数的准确提取对于研究地球介质的岩性构造、油气储藏等具有重要意义。针对用传统时频分析方法提取地震信号瞬时参数对噪声敏感、可靠性不强等问题,提出了利用同步挤压小波变换(SST)提取地震信号瞬时参数的方法。该方法是一种连续可逆的时频变换工具,首先结合时频谱重排的思想,得到同步挤压小波变换量值,然后计算出实信号对应的解析信号,接着求取瞬时参数,最后与传统的Hilbert变换方法进行比较,通过仿真信号试验和实际地震资料的应用表明,SST提取的地震瞬时参数抗噪性更强、可靠性强,尤其对于瞬时频率的提取。     

对基于决策论的数字信号调制识别方法的改进

从特征参数提取的角度对基于决策论的数字信号调制识别算法进行改进,提取五个相对简单的瞬时信息特征参数,并利用决策树方法对信号进行调制识别.改进后的算法除了识别2ask、2fsk、2psk、4ask、4fsk和4psk六种典型数字信号外,还可识别16qam,若进一步增加参数(递归零中心归一化瞬时相位绝对值的平均值),又可识别8psk.实验结果表明:改进算法的复杂度明显降低,且信号识别正确率及适用信噪比范围都有很大程度的提高.     

基于连续小波和支持向量机的病态嗓音检测

声学分析是一种非常有前景的嗓音病理诊断方法,它采用连续小波分析方法提取嗓音特征参数.文章提出了一种基于SVM的病态嗓音分类算法,通过选择径向基函数RBF,可使分类的正确率达到97%.     

基于动静态组合特征参数的语音识别

基于语音信号的时变特性,本文提出了动静态特征参数结合的语音信号识别方法,首先在特征参数提取中引入了小波包变换,借助MFCC(Mel-Frequency Cepstrum Coefficient)参数的提取方法,用小波包变换代替傅立叶变换和Mel滤波器组,提取了新的静态特征参数DWPTMFCC(Discrete Wavelet Packet Transform Mel-Frequency Coefficient),然后把它与一阶DWPTMFCC差分参数相结合成一个向量,作为一帧语音信号的参数,通过试验和仿真,此参数具有很高的识别率,是一种很好的语音特征参数.并且把混沌特性引入到神经元,构成混沌神经网络,把这种神经网络用于语音识别,并与常用的BP神经网络识别方法进行了比较.试验结果表明,混沌神经网络的平均识别率要高于同等条件下常用的神经网络方法的识别率.     

基于WPT和LDA的表面肌电信号特征识别方法

针对时域特征参数在表面肌电信号(SEMG)模式识别过程中的局限性,提出一种小波包变换(WPT)和线性判别分析(LDA)相结合的新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,应用小波包变换对表面肌电信号进行多尺度分解,提取小波包系数并计算其均方根作为特征参数,应用线性判别分析对表面肌电信号数据进行分类识别;实验结果表明,采用此方法成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,与时域参数相比,此方法更能有效提取表面肌电信号信息,且有较高的动作识别率,识别率高达98.2%。     

一种HHT谱矩阵的车内噪声语音端点检测

由于车内噪声的存在,使语音的检测率降低得非常明显,这给智能汽车的语音控制带来了困难。提出了一种基于HHT谱矩阵的检测方法。该方法通过分析HHT的特点,以及噪声、语音信号的幅度分布特点,以帧为单位对输入信号HHT的时、频、幅矩阵进行处理,构建幅值-时间曲线,通过对前端噪声段的估计,自动设定阈值对整个信号的语音段进行检测。实验结果表明,该方法在车内噪声较强的情况下仍能有效检测语音段。     

一种新的线性调频信号的瞬时频率估计方法*

基于HHT（HilbertHuang transformation）是一种能分解出信号的任何频率分量的主成分分析法以及线性调频信号（LFM）的瞬时频率是关于时间的直线,将LFM 信号先作HHT得到其瞬时频率,然后利用该瞬时频率中间部分的时频点作最小二乘（LSM）直线拟合。这种改进的LSM直线拟合方法不仅剔除了HHT固有的边界效应在瞬时频率斜线两端产生的高频谐波,从而有效地抑制了这种边界效应对瞬时频率估计的影响,而且直接得到了较为准确的LFM 信号的瞬时频率参数估计值。与通过改变HHT算法来减小HHT边界     

多特征融合的运动想象脑电特征提取方法

针对单一特征识别率低、自适应性差等问题,提出一种基于希尔伯特-黄变换（HHT）和共同空间模式（CSP）的特征提取方法HCHT。首先,对原始脑电信号（EEG）进行经验模态分解（EMD）得到固有模态函数（IMF）,并将IMF分量合并成新的信号矩阵;然后,对IMF进行希尔伯特谱分析,得到信号的时-频域特征;接着,对构造的信号矩阵进行进一步的CSP分解,将时-频域特征扩展成时-频-空域特征;最后,通过支持向量机（SVM）对特征集进行分类。在BCI Competition II数据集的实验表明,与HHT时-频域和CSP空域特征的方法相比,所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点,且标准差更小。在智能轮椅平台进行在线实验的结果表明,HCHT能有效提高识别准确率和稳定性。     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

基于HHT算法的扬声器异常音检测技术

为了有效地检测扬声器异常音,提出一种基于希尔伯特-黄变换的异常音识别及去噪方法。分析了小波变换的不足,再进行HHT分析。建立常见的几类扬声器异常音数学模型,并经EMD分解得到包含异常振动信息的IMF分量,利用IMF分量特点进行去噪处理。再求出各模拟异常音信号的Hilbert谱,采用图像二值化技术处理Hilbert谱,和小波变换时频谱比较后证明了HHT方法具有更多的优势。而且,根据不同类型异常音在时频域的特征,即可判断出扬声器异常音类型。matlab仿真实验结果表明,当归一化阈值取为0.065时,会得到清晰的图像,能更精确地检测出异常音类型。     

峰度驱动的云进化策略

为了从传统进化策略的角度分析并改进云进化策略,研究云分布的峰度统计量及其应用。云分布在固定标准差时,也可通过调整峰度来改变噪声形状,可能产生更有效的变异。推导云分布峰度计算公式,以支持熵-超熵空间和标准差-峰度空间的相互转换。比较峰度和峰比对云分布噪声的影响,证明峰度更适宜自适应演化。给出峰度驱动的云进化策略,它的参数演化结合基于1/5规则的标准差演化和自适应峰度演化。对8个测试函数的实验结果显示,高峰度利于全局寻优,低峰度利于局部寻优,而峰度的自适应调整可综合二者优势。     

基于64位CPU系统的计算性能比较:Opteron vs. Xeon

目前配置的计算机服务器大量采用64位AMD Opteron和Intel Xeon两种处理器。Opteron和Xeon处理器在时钟频率、内存控制器和I/O连接等诸多方面有所不同,这些差异导致基于这两种处理器的计算机集群系统有不同的特点,其性能与具体使用的应用程序密切相关。在构建面向高性能科学计算的集群系统时,选择基于何种64位处理器最为合理是众多用户所关心的一个重要话题,针对这个问题,对基于AMD Opteron 252(2.6GHz)和Intel Xeon 3.6GHz(L2 cache:1M)处理器的计算机集群系统进行了一系列科学计算性能的测试和比较。     

Temporal and Spatial Variation of Vegetation Phenology in Temperate China and Its Impact on Gross Primary Productivity

Land surface phenology is defined as the seasonal timing of life cycle events of vegetated land surface on local or global scale.Most studies of vegetation phenology in China’s temperate zone are focused on single vegetation type in certain area，the studies about long-time vegetation phenology on large scale is rare.The influence of vegetation phenology on GPP(gross primary productivity) remains to be determined.Using Moderate Resolution Imaging Spectroradiometer(MODIS) MCD12Q2 data from 2001 to 2014，start of growing season(SOS)，end of growing season(EOS) and length of growing season(LOS) in temperate China(>30°N) are obtained.GPP from MODIS MOD17A3 data for the same period is also obtained.Using regression analysis and correlation analysis methods，spatial and temporal patterns of SOS，EOS and LOS are analyzed.The impacts of SOS，EOS and LOS on interannual variability of GPP are also analyzed.Results show that the average and standard deviation of SOS，EOS and LOS from 2001 to 2014 are 121±10，270±12 and 153±12 days，respectively.The trend of earlier SOS，delayed EOS and increased LOS are not significant(p>0.05)，but LOS shows positively correlated to GPP.The spatial distribution of annual average LOS and GPP from 2001 to 2014 presents an increase trend from northwest to southeast.Regions with significant interannual variation(p<0.05) of SOS，EOS and LOS are 13%，21% and 13.2%，respectively.Regions of significant correlation(p<0.05) of SOS，EOS and LOS to GPP account for 8.31%，9.33% and 8.72% of the study area.GPP has mainly medium correlations(p<0.05，0.5<|r|<0.8) to SOS，EOS and LOS.     

二维EMD的纹理分析及图像瞬时频率估计

将一维经验模式分解（EMD）方法和Hilbert—Huang变换（HHT）直接应用于二维图像处理中,提出了一种新的二维EMD算法,将提取出图像的多尺度空间频率信息分别用HHT和直接法来估计多分量图像AM—FM形式的瞬时频率．最后用文中算法分别对合成图像和自然图像进行了实验．