基于粒子滤波的声源定位方法

针对噪声与混响环境下的声源定位问题,采用了一种基于粒子滤波的麦克风阵列的声源定位方法。在粒子滤波框架下,将到达麦克风的语音信号作为观测信息,通过计算麦克风阵列波束形成器的输出能量来构建似然函数。实验结果表明,方法提高了声源定位系统的抗噪声与抗混响能力,即使在低信噪比强混响的环境下也能获得较高的定位精度。     

基于粒子滤波的麦克风阵列声源定位方法

针对噪声与混响环境下的声源定位问题,本文采用了一种基于粒子滤波的麦克风对的声源定位方法。该方法在粒子滤波框架下,将到达麦克风对的时间差作为观测信息,通过计算麦克风对的广义互相关函数(GCCF)来构建似然函数。实验结果表明,本文所采用的方法提高了声源定位系统的抗噪声与抗混响能力,即使在低信噪比强混响的环境下也能获得较高的定位精度。     

基于最小熵值的麦克风阵列声源定位算法

针对传统麦克风阵列声源定位算法抗噪声及混响能力不强的问题,提出一种基于最小熵值和随机域压缩的麦克风阵列声源定位算法。利用最小熵值方法对麦克风阵列进行时延估计,并与随机域压缩方法相结合,对声源进行空间搜索。仿真实验结果表明,该算法在定位精度、抗噪声及抗混响能力方面均优于广义互相关-相位变换算法。     

基于声门脉冲的自适应时延估计算法*

在研究LMS自适应算法的基础上,提出一种基于声门脉冲的变步长LMS自适应时延估计新方法,并在相关噪声和混响的环境下与互功率谱相位广义互相关法(GCC-CSP)、变步长LMS自适应算法进行性能比较.实验结果表明,新方法具有很好的鲁棒性,即使在低信噪比强混响的环境下也能获得有效的时延估计.     

基于差分麦克风阵列和语音稀疏性的多源方位估计方法

差分麦克风阵列为实现小尺寸阵列条件下的声源定位提供了一条重要技术途径。语音信号具有稀疏性,利用该特性可实现基于差分麦克风阵列的多声源方位估计,其中的典型方法为直方图法。针对差分麦克风阵列,本文提出了一种基于时频掩蔽和模糊聚类分析的短时平均复声强多声源方位估计方法。分析了不同阵列尺寸条件下时频掩蔽频带范围的选择问题。该方法具有闭式解,在强混响噪声环境下的性能优于直方图法,并且受阵列尺寸变化的影响较小。为了改善直方图法的性能, 基于时频掩蔽的思想,文中还给出了一种修正的直方图方法。混响噪声环境下的仿真实验结果验证了本文所提方法的有效性。     

声源定位中波达角一致性检测方法

针对混响条件下声源定位的帧选取策略问题,提出了一种波达角一致性检测方法.该方法充分利用了传声器阵列的空域信息和每个传声器的时频域信息,能够检测出受混响影响较小的信号帧,进而提高声源定位算法的性能.实验结果表明,在一般会议室场景(混响时间大于300 ms)下,与传统基于信噪比和能量的帧选取方法相比,该方法在抗混响方面具有优势.     

混响环境下基于倒谱BRIR的双耳互相关声源定位算法

在实际封闭环境中,针对存在混响而导致声源定位性能下降的问题,提出一种基于倒谱双耳房间脉冲响应（Binaural room impulse response,BRIR）的双耳互相关声源定位方法.该方法通过从倒谱BRIR中减去混响分量,然后反变换到时域得到估计的脉冲响应,再与数据库中的头部脉冲响应（Head related impulse response,HRIR）进行互相关运算,最大互相关值相对应的位置就是所估计的声源位置.仿真实验结果表明,提出的算法能减少混响环境中带来的定位误差,提高声源定位的精度.     

麦克风阵列下互相关函数分类的声源定位

传统的基于麦克风阵列的声源定位方法,往往容易受到低信噪比或高混响等不利的声学条件的影响。近年来,基于模式识别和机器学习技术的方法被用来在恶劣环境下进行声源定位。引入了一种基于Fisher判别理论的加权方法,实现了基于Fisher加权朴素贝叶斯分类器（Fisher Weighted Naive Bayes Classifier,FWNBC）的声源定位。通过基于相位变换（Phase Transformation,PHAT）加权的互相关函数来计算每个位置的特征向量,利用Fisher加权朴素贝叶斯分类器估计声源位置。在实际的定位系统中进行实验,验证改进算法的性能。实验结果表明,与使用朴素贝叶斯分类器（Naive Bayes Classifier,NBC）相比,FWNBC算法有效提高了声源定位的精度。     

基于耳蜗核模型改进双耳时间差的声源定位

人耳听觉系统在噪声环境中能够准确定位感兴趣的声源,实现其定位的主要因素是双耳时间差,但是在噪声环境下利用双耳时间差方法进行定位的效果比较差。针对这一问题,提出一个基于耳蜗核模型的声源定位系统。利用耳蜗核模型模拟耳蜗核对听觉信息的处理机制,提取听觉神经纤维中对语声刺激同步的信息和发放率信息,从而实现对噪声的抑制,完成噪声环境下的声源定位。该系统在噪声环境下定位的误差为1.297°。实验结果证明改进之后的声源定位系统能在噪声环境下进行声源定位。     

一种鲁棒的双耳声源方位角定位方法

在噪声和混响的声学环境中,基于双耳时间差的声源方位角定位性能会严重降低。针对这个问题,提出了一种基于子带选择和DBSCAN的双耳声源定位算法,首先,采用 Gammatone 滤波器将双耳声源信号分解为若干个子带信号;其次,根据子带能量大小进行子带通道数压缩;然后,根据子带信噪比大小获取最优子带,降低无关子带干扰;接着将子带信号进行分帧,根据互相关算法获取峰值处的数据点;最后,引入DBSCAN算法消除噪声点的影响,获取最优数据点,从而根据ITD定位模型判断目标声源方位角,实验结果表明,该算法在复杂的声学环境中,相较于传统的互相关算法,可显著提高双耳声源方位角定位性能。     

基于多DSP系统的并行延时LMS算法的实现

随着对信号处理要求的不断提高，基于AD公司21xx系列16位定点DSP中的ADSP-2181提出了一种具有很强适应性与灵活性的多DSP结构，同时介绍了基于FIR滤波器的自适应滤波算法，包括常规LMS算法，延时LMS算法，以及基于二输入二输出FIR滤波器的并行延时LMS算法，详细介绍了易于实现并行和流水线结构并行延时LMS算法，并将自适应滤波中的两大热点——自适应算法的研究与高速信号处理的实际工程相结合，重点研究了并行延时LMS算法在多DSP结构中的实现，体现了并行算法的优越性。     

MIMO-OFDM系统自适应信道估计算法分析

在MIMO-OFDM系统中,信道参数估计对相干检测至关重要.现有的信道估计算法大多需要对大矩阵做求逆运算,计算复杂度高,或者需要预知信道统计信息.提出一种MIMO-OFDM系统的自适应信道估计算法,无需任何先验信道统计信息,就能够通过导频辅助和迭代的方法对时变信道状态参数进行即时跟踪与估计.仿真结果表明在MIMO-OFDM系统中,提出的基于LMS或RLS的自适应信道估计算法相比于传统的不考虑噪声的LS信道估计算法,MSE和BER等性能均有大幅提高,能够很好地抵御无线信道引起的多径效应的影响,适宜应用于MIMO-OFDM系统.     

频率规整线性预测系数的实时提取算法研究

在语音识别特征提取过程中,为克服传统自相关法在计算特征参数时实时性较差的缺点,提出一种用于提取频率规整线性预测系数（WLPC）的自适应最小均方误差（LMS）算法。该方法通过自适应LMS技术,不仅能提取出符合人耳的听觉特性的特征参数,而且实现了对WLPC系数的实时提取。实验采用DTW（动态时间规整）算法,对比了自相关法WLPC预测误差和自适应法WLPC两种特征参数对孤立词识别率的影响结果和预测误差,结果证明了采用该算法具有较高的分类准确率和良好的时间性能。     

网络化控制系统两种时延预测算法及其比较

针对网络化控制系统（NCS）中的随机时变时延,提出了两种时延预测算法——自适应最小均方差（LMS）算法和在线最小二乘支持向量机（LS-SVM）算法，对其进行预测，并用实际测试得到的网络时延数据，对两种算法的时延预测效果进行了详细分析比较，指出了各自的特点和适用范围。     

基于并行技术和流水线的LMS自适应滤波算法

针对现有自适应滤波算法中数据处理效率低的问 题,提出了基于并行技术和流水线的最小均方误差（Least mean square,LMS）自适应滤波算法。该算法构建基 于并行技术的多输入多输出滤波器结构,成倍提高系统滤波处理速度;设计基于流水线的LMS 自适应滤波权系数求解方法,有效改善了权系数计算效率。最后利用现场可编程门阵列(Field programmable gate array,FPGA)对该算法进行了验 证,结果表明,对于四级并行流水线四阶LMS自适应滤波器,其数据处理速率提高了约8倍,在相同的数据处理速率下,其功耗可降低约84%,从而提高了LMS自适应滤波处理速率,降低了系统功耗,实现了高速、超高速数据流的实时自适应滤波 处理。     

基于自适应均衡器的LMS和RLS算法仿真分析

介绍了自适应均衡器下的LMS和RLS算法的基本原理,并分析了2种算法中的忘却因子μ对LMS和RLS算法收敛性能的影响.通过仿真可知,在相同忘却因子下,RLS算法的收敛速度明显快于LMS算法,并且误差也比LMS算法小.     

基于谱减和LMS的自适应语音增强

针对宽带噪声背景下的语音增强问题,将短时语音视为非平稳或宽平稳信号,基于谱减法和自适应滤波的最小均方（LMS）算法,提出了一种FIR型自适应滤波算法（SSLMS）：用减谱法由短时噪声观测语音估计期望信号,作为滤波器输出信号的参考信号;用滤波器的输出与参考信号的差值为误差信号,用LMS算法求得滤波器权系数修正量,并修正滤波器。权系数最速下降调整中,采用了归一化LMS、符号LMS、块LMS技术,以简化保证权系数收敛的步长选择、减少权系数修正的运算量,从而提高自适应速度。对不同的语音在各种信噪比下仿真实验,并与改进的谱减法比较,结果表明,该法增强效果优于谱减法;在信噪比为3 dB时该法的增强效果仍然令人满意。     

基于模糊推理的变步长LMS自适应滤波算法

LMS算法是一种基于最速下降法的最小均方误差自适应滤波算法.为了提高LMS算法的收敛速度,依据模糊控制原理,推导出一种结构简单的步长与误差的非线性函数关系,进而得出一种新的变步长LMS自适应滤波算法（FVSLMS）,该算法结构简单,易于实现.在理论上,根据万能逼近定理,用FVSLMS算法可以以任意精度逼近步长与误差的非线性函数关系,因此它可以作为以误差调节步长的变步长LMS算法的一类统一形式.最后,通过计算机仿真说明了FVSLMS算法具有较好的收敛性能.     

Towards the Optimal Learning Rate for Backpropagation

A backpropagation learning algorithm for feedforward neural networks withan adaptive learning rate is derived. The algorithm is based uponminimising the instantaneous output error and does not include anysimplifications encountered in the corresponding Least Mean Square (LMS)algorithms for linear adaptive filters. The backpropagation algorithmwith an adaptive learning rate, which is derived based upon the Taylorseries expansion of the instantaneous output error, is shown to exhibitbehaviour similar to that of the Normalised LMS (NLMS) algorithm. Indeed,the derived optimal adaptive learning rate of a neural network trainedby backpropagation degenerates to the learning rate of the NLMS for a linear activation function of a neuron. By continuity, the optimal adaptive learning rate for neural networks imposes additional stabilisationeffects to the traditional backpropagation learning algorithm.     

改进自适应对消算法在工业噪声处理中的应用

分析了工业环境噪声的特点,将自适应噪声对消算法应用到工业噪声的处理当中.在传统最小均方(LMS)算法及基于Lorentzian函数的变步长LMS算法的基础上进一步进行约束稳定性条件处理,提出了一种约束稳定性变步长LMS算法,并在Matlab平台上进行了仿真验证.结果表明:算法具有更快的收敛速度以及更小的稳态误差,并且能有效地降低梯度噪声对算法性能的影响.