一种时频平滑的深度神经网络语音增强方法

由于现有的基于深度神经网络的语音增强方法在网络结构的设计上缺乏对语音增强问题自身特点的考虑, 针对这一问题,基于语音增强在时间和频率两个维度上的不同特性,受传统语音增强方法中的含噪语音局部特征计算方法启发,设计了一种在时间和频率两个维度上进行不同处理的时频平滑网络。该网络采用门控循环单元来表达含噪语音在时间上的相关性,同时采用卷积神经网络来表达含噪语音在频率上的相关性,实现了类似传统语音增强方法的时频平滑处理。实验结果表明,这种时频平滑网络在保证语音增强系统因果性的前提下,相比其他网络显著地提高了语音增强性能,增强后的语音具有更好的语音质量和可懂度。     

基于峰度准则与判决引导的非线性盲解卷积

针对Weiner模型,提出了一种基于最大峰度准则与判决引导相结合的非线性系统盲解卷积算法。在代价函数中引入了判决引导均方误差,优化代价函数,减少局部极值和降低剩余误差。研究了利用实数编码的遗传算法对代价函数进行最优化搜索。仿真实验表明该算法具有快速收敛性能和高精确度等优点,能够大大提高解卷积后的输出信噪比。     

一种基于径向基函数神经网络的语音降噪方法

采用径向基函数神经网络在时域上对含噪语音信号进行降噪处理．针对语音信号的短时平稳性以及噪声的随机性,对语音信号进行分帧预处理;用分帧后的纯净语音信号作为径向基函数网络的教师信号,并利用Matlab神经网络工具箱设计和训练网络．实验结果表明,径向基函数网络作为语音信号滤波器,可有效地抑制语音信号中的白噪声,具有良好的降噪性能．     

基于改进门控单元神经网络的语音识别声学模型研究

传统语音识别系统中,基于循环神经网络的语音声学模型对长距离历史信息记忆能力有限,难以利用语音的上下文相关性信息,标准长短时记忆单元参数规模庞大,神经网络训练收敛速度较慢。针对以上问题提出一种基于改进门控循环单元的双向循环神经网络的语音识别声学模型。改进模型使用ReLU函数代替双曲正切激活函数,选取单位正交矩阵作为网络初始化参数,结合批量规范化方法,在维持网络长期依赖关系的同时加快训练收敛速度。在TIMIT和LibriSpeech数据集上的实验结果表明:与基线系统相比,改进的门控循环单元模型有2.8%的绝对音素错误率的下降;与标准长短时记忆单元模型相比,神经网络训练的平均迭代周期减少了16.6%,在识别性能和计算效率上均有提升。     

一种三维视频深度图像快速帧内编码方法

针对三维视频编码复杂度较高的问题,提出一种快速深度图像帧内编码方法．该方法基于视频图像与深度图像的相关性,利用视频图像的最优帧内预测模式信息优化深度图像帧内编码预测模式的选择范围,减少率失真代价函数的计算量,从而降低深度图像帧内编码复杂度．实验结果表明,这种方法较深度图像独立编码方法能有效地缩短深度图编码时间,在保证合成虚拟视图质量的条件下,深度图像帧内编码时间平均减少37.16%．     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

基于注意力残差卷积网络的视频超分辨率重构

目前卷积神经网络已经成为视频超分辨率重构的主流方法。针对目前方法存在着细节信息恢复效果不理想、感知质量差的缺点,提出了一种结合注意力机制的残差卷积网络。通过一维通道注意力与二维空间注意力增强目标物体特征映射,完善重构图像的细节信息,并为单一像素计算一维分离卷积核,显著减少网络计算负担。采用特征损失与像素损失组合函数来训练神经网络以产生高质量的视频帧。实验结果表明,通过PSNR,SSIM和感知距离将所提模型与当前最先进的模型进行比较,该模型能够获得最优的感知距离,重构图像拥有较高的感知质量。     

基于改进递归网络的智慧楼宇负荷预测方法

针对智慧楼宇负荷类型复杂且多变导致的负荷预测精度低等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法在深度神经网络多隐层结构的基础上增设了关联层,使深度递归神经网络(DRNN)模型具有动态特性,并利用改进粒子群优化算法对模型权值空间进行优化,进而实现楼宇负荷的准确预测.基于不同类型楼宇的实验结果表明,所提方法的预测误差约在±0.3 MW的范围内波动,其均方根差与平均绝对百分比误差分别为0.27 MW和1.05%,且预测误差均小于其他对比方法.     

基于量子神经网络(QNN)的语音增强技术

将量子神经网络(QNN)应用于语音增强技术中,并与基于径向基函数神经(RBF)网络的语音增强技术进行比较.实验结果表明,基于QNN上的语音增强技术效果比基于人工神经网络(ANN)中的RBF网络的语音增强技术效果好,消噪能力强,有更好的鲁棒性.另外,该技术还能够改善语音质量.     

改进深度信念网络在语音转换中的应用

综合考虑语音帧间关系及后处理网络的效果,提出一种改进的基于深度信念网络（DBN）的语音转换方法. 该方法利用线性预测分析-合成模型提取说话人线性预测谱的特征参数,构建基于区域融合谱特征参数的深度信念网络用以预训练模型,经过微调阶段后引入误差修正网络以实现细节谱特征的补偿. 对比实验结果表明,随着训练语音帧数的增加,转换语音的谱失真呈下降趋势. 同时,在训练语音帧数较少的情况下,改进方法在异性间转换的谱失真小于50%,在同性间转换的谱失真小于60%. 实验结果表明,改进方法的谱失真度较传统方法降低约6.5%,且同性别间转换效果比异性间转换效果更为明显,转换后语音的自然度和可理解度明显提高.     

功率放大器非线性特性及预失真建模研究

论文针对功率放大器的非线性失真问题,分别以无记忆功率放大器和有记忆功率放大器输入/输出数据为基础,通过对给定数据进行拟合处理,建立了放大器的非线性多项式数学模型,并采用归一化均方误差、误差矢量幅度衡量模型的效果.针对放大器的非线性特性,采用前向串级补偿方法,得到预失真处理器的数学模型,对系统进行输入输出模拟,得到补偿后的系统输入/输出效果.最后针对信道干扰问题,通过相邻信道功率比的指标来评价所建模型对相邻信道的干扰程度分析.     

海面FH-OFDM系统联合同步和信道估计算法

在跳频正交频分复用(FH-OFDM)系统的海面军事应用中,为了提高接收机在航空移动通信中不同海况下的误码性能,提出了基于递归最小二乘法的联合同步和信道估计算法。在同步跳中使用并行搜索实现跳频同步,对基带时域信号的子载波间干扰(ICI)进行了预先补偿。借助于慢时变信道下新的跳频帧结构,构建了统一的代价函数通过线性误差函数对信道冲激响应(CIR),载波频率偏差(CFO)和采样率偏差(SFO)进行估计。使用了新的极大似然代价函数来估计各参数的初始值。给出了系统中带宽效率,跳频速率及子载波总数的权衡条件。仿真结果表明,该算法在平静海面和粗糙海面下的参数估计均方差和系统误码率优于传统算法。     

基于群稀疏约束的语音识别特征混合判别分析

为了克服因数据不足,而造成较难提取稳定的长时特征的问题,提出了一种基于群稀疏约束的混合判别分析方法。该方法首先采用高斯混合模型描述数据的分布,在此基础上利用二次变分的形式进行群稀疏的表示,得到基于群稀疏约束的混合判别分析目标函数。接着,通过定义模糊响应矩阵（blurred response matrix）,有效地结合最优化得分方法求解判别分析变换矩阵。最后,拼接相邻帧梅尔滤波器组输出组成超矢量,采用变换矩阵进行变换降维,提取时频特征。实验结果表明,本文方法能够得到稀疏的变换矩阵,相比于PLDA(Penalized LDA)和SLDA（Sparse LDA）判别分析方法,识别准确率分别提高了0.71%和1.53%,且在数据不足的条件下,本文方法能获得更高的识别性能。     

基于组合损失函数的BP神经网络风力发电短期预测方法

为了改善风电大规模并网带来的电力系统功率平衡问题,提高系统的风电消纳能力,构建了基于组合损失函数的风电功率预测神经网络模型. 为了提高原始数据信息的利用率,在模型中将数据进行分类,提出以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型,由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数. 基于实际风场数据,对基于组合损失函数的预测模型效果进行训练和仿真验证,结果表明相较于基于单一的均方差损失函数的预测方法,提出的组合损失函数可有效提高预测精度.     

BP网络泛化能力改进方法在染色配色中的应用研究

针对BP神经网络在织物染色配色中的局限性,提出了对BP神经网络应用到织物染色配色中的泛化能力改进方法。实验及仿真结果表明,基于泛化能力改进的BP神经网络在平均均方差上优于标准的BP神经网络,并且误差函数改进的BP神经网络要优于网络训练提前结束法改进的BP网络,与一般的BP神经网络模型相比,计算精度有了较大的提高。     

基于时频增强和谱熵的语音端点检测技术

该文提出了基于时频增强和谱熵的语音端点检测算法。该算法对带噪语音在频域利用谱减法去除宽带加性噪声，在时域去除由谱减带来的残差噪声从而对语音进行了增强。对增强后的语音利用谱熵特征进行端点检测。实验结果表明，该算法快速有效，具有较强的抗噪能力，特别适合低信噪比的语音端点检测。     

一种噪声谱快速跟踪的语音增强方法

提出了基于多窗谱法和小波阈值法对带噪语音的短时功率谱进行估计的语音增强改进方法.针对软、硬阈值法自身的缺点，采用了一种改进方法，即模平方处理方法.噪声估计过程中通过跟踪带噪语音帧来更新噪声估计.仿真结果表明，本文提出的方法能够快速跟踪突变噪声，具有较强的降噪能力.把此算法综合到语音增强中时，其增强性能要好于STSA MMSE算法.     

基于时频域的具有延迟的欠定盲分离

本文针对衰减-时延混合模型,提出一种改进欠定语音盲分离算法。利用独立语音在时频域上的近似稀疏性,提出势函数面-聚类方法,通过此方法可直接获得源信号的个数和各声源方位信息,省去传统聚类方法中衰减-时延的配对步骤,提出的新势函数具有很好的适应性。分离阶段,利用势函数面聚类方法估计声源信号方位信息重构声源相对传递函数,采用非线性时频掩蔽方法分离感兴趣目标语音信号,实现了不同方位信息声源信号的欠定分离,放宽了对稀疏性的限制。仿真实验证明了此分离方法的可行性和有效性,弱混响条件下的分离信号输出信噪比平均达到了16dB。