巴克码信号处理的计算机仿真

巴克码信号是二相编码信号的一种,在PD雷达中得到了广泛应用。对巴克码信号进行匹配滤波处理可使输出信噪比达到最大。介绍了匹配滤波器的设计原理,给出白噪声匹配滤波器的传递函数模型。在Matlab/Simulink平台上,建立雷达发射信号为巴克码信号时匹配滤波器的仿真模型。计算机仿真表明,巴克码信号经匹配滤波器后脉冲宽度被压缩,信噪比得到了显著提高。该滤波器的脉冲压缩功能,解决了一般脉冲雷达通过增加脉冲宽提高作用距离与距离分辨力下降的矛盾。     

一种基于频移滤波器的混合信号盲恢复算法

针对单天线接收的频谱混叠的混合信号盲恢复问题,在频移滤波器结构上,提出了一种基于相关函数误差准则的自适应频移滤波信号盲恢复算法.该算法利用滤波器输出信号和参考信号以 及混合信号与参考信号之间的相关函数误差来调整自适应滤波器输出权值.分析了该算法的稳态性能.仿真结果表明:在信噪比大于-5 dB的条件下,该算法对混合...     

条件匹配滤波器与雷达抗寻呼信号干扰

在某些特定频率点的增益为零的条件下,使滤波器的输出信噪比最大,我们称其为条件匹配波波器.本文讨论了条件匹配滤波器的基本原理和性能,与最佳滤波器相比,条件匹配滤波器既不需要多个数据样本用于形成协方差矩阵,也不需要求逆运算来得到权系数矢量.仿真和实测数据验证了条件匹配滤波器用于抑制寻呼信号干扰的可行性.     

基于MSN准则的自适应脉冲压缩修复处理

采用标准匹配滤波器会使雷达的脉冲压缩处理在大目标附近的距离单元产生距离旁瓣,从而遮蔽附近的小目标.针对这种情况提出的基于最大输出信噪比准则(MSN)的自适应脉冲压缩实现了对旁瓣的自适应压缩.然而有些在役雷达系统不能在标准脉冲压缩之前获得接收信号,或者不能更换当前脉冲压缩系统,这种算法不再适用.基于迭代思想和最大输出信噪比准则提出的脉冲压缩修复处理,自适应地作用于匹配滤波后的输出信号,利用先验目标信息实现对距离旁瓣和噪声的抑制.在推导的算法原理基础上给出了实现步骤,并对算法的适用性进行了仿真,结果表明对单、多目标算法能够实现有效脉冲压缩,对于多普勒失配,性能有所下降,但仍远优于匹配滤波,提高了雷达对小目标的检测能力.     

无源循环平稳信号检测方法

研究了无源接收条件下循环平筝信号的检测方法。在循环相关匹配滤波理论的基础上,分别给出了无源单 站和无源双站准循环相关匹配滤波器的设计方法,并研究了基于准循环相关匹配滤波的无源单站和无源双站信号检测方 法,得到了SPS无源单站信号循环检测子和SPB无源双站信号循环检测子。仿真分析针对BPSK信号给出了在白噪声和 时变噪声两种噪声背景条件下SPS、SPB和radiometry等检测子的ROC检测曲线,仿真结果充分说明了SPS和SPB检测 子的有效性。     

部分极化干扰条件下极化阵列性能分析

研究部分极化干扰条件下极化阵列的滤波抗干扰性能,期望信号为完全极化波,干扰信号为部分极化波.利用最大信噪比准则得到阵列最大输出信号干扰噪声比(SINR)的解析表达式,分析干扰极化度,到达角等因素对阵列抗干扰性能的影响,仿真实验验证理论分析的正确性.     

CSS-BOK的匹配滤波接收研究

高速无线通信系统中,Chirp信号作为一种新的超宽带信号,既能实现高速数据传输,又能满足精确定位的要求。借助MATLAB仿真工具,阐述Chirp信号的时频特性以及匹配滤波过程,利用Chirp信号匹配滤波后的压缩特性,对匹配滤波进行仿真。仿真结果显示Chirp信号经匹配滤波器后脉冲宽度被大大压缩,信噪比得到显著提高,与理论分析相吻合。设计了Chirp信号超宽带无线通信系统,仿真得到在AWGN下匹配滤波接收的系统误码率与信噪比关系图,分析了将线性调频扩频CSS（Chirp Spread Spectrum）技术应用到高速无线超宽带通信中的可行性。     

非相干扩频捕获的匹配滤波器参数分析

在直接序列扩频传输系统中,接收端通常利用匹配滤波器实现扩频信号的初始捕获,扩频码同步时匹配滤波器的输出信噪比是决定捕获性能的一个重要因素。针对非相干直接序列扩频信号,通过理论推导和仿真验证得到了匹配滤波器输出信噪比与载波频差、扩频比以及匹配滤波器参数之间的关系,该结论可以为匹配滤波器的设计提供依据。     

基于噪音谱分析的新型指数空间匹配滤波器设计

光学相关识别过程中,为减小输入场景中背景噪音对输出相关点的影响,通过分析背景噪音和目标图像的傅里叶谱,在匹配滤波函数中引入一由背景噪音傅里叶谱确定的指数函数,通过指数函数对匹配滤波函数振幅进行非线性调制,使设计的指数型空间匹配滤波器对背景噪音谱透过率小于目标图像谱透过率,从而增加输出相关平面上的信噪比,以实现相关点的正确探测。模拟结果表明当参量m由0增加到1.2时,相关峰值下降2.28倍,信噪比增加3倍。模拟和实验结果均表明:与纯相位匹配滤波器相比其抗噪能力得到明显改善。     

利用电荷耦合器件的PCM匹配滤波器

(一)引言 1943年,人们从最大信噪比准则出发,建立了最佳线性滤波理论——匹配滤波理论。但在实际工作中,要实现最佳线性滤波是很困难的,因而只能采用所谓“准最佳线性滤波器”来解决。对于脉码调制的脉冲序列,构成实际的匹配滤波器是可能的。本文采用电荷耦合器件(CCD)作为延时环节,实现了PCM脉冲序列的匹配滤波器。实验结果表明,这种匹配滤波器对PCM信号进行最佳检测是可行的。对于矩形脉冲调制     

基于稀疏组LASSO约束的本征音子说话人自适应

本征音子说话人自适应方法在自适应数据量不足时会出现严重的过拟合现象,提出了一种基于稀疏组LASSO约束的本征音子说话人自适应算法。首先给出隐马尔可夫—高斯混合模型下本征音子说话人自适应的基本原理;然后将稀疏组LASSO正则化引入到本征音子说话人自适应,通过调整权重因子控制模型的复杂度,并通过一种加速近点梯度的数学优化算法来实现;最后将稀疏组LASSO约束的自适应算法与当前多种正则化约束的自适应方法进行比较。汉语连续语音识别的说话人自适应实验表明,引入稀疏组LASSO约束后,本征音子说话人自适应方法的性能得到了明显提高,且稀疏组LASSO约束方法优于l1、l2和弹性网正则化方法。     

最大后验估计和最近邻线性回归结合的说话人自适应方法

本文提出一种新的说话人自适应方法:最大后验(MAP)估计与最近邻线性回归(NNLR)结合的自适应,利用模型近邻信息和MAP自适应结果,建立线性回归模型,对没有自适应数据的模型完成模型调整.实验证明,NNLR要优于另一种用于MAP自适应框架的模型插值方法:向量域平滑(VFS).     

基于高斯相似度分析的插值自适应算法

快速说话人自适应算法在非特定人连续语音识别的应用中有重要意义.现在流行的自适应算法多数只考虑均值的自适应.本文提出的自适应算法可以快速的对协方差矩阵进行自适应.该算法是用高斯相似度度量协方差矩阵间的距离,并由此测度建立了反映协方差矩阵结构关系的二叉决策树.树的每个中间节点包含一个类质心.在决策树基础上,训练多个与特定人模型相关的类质心.自适应时,通过对这些类质心进行线性插值得到自适应的协方差矩阵.实验结果表明,该方法能够在仅有一句自适应数据的情况下,使系统误识率由29.49%下降到27.55%.     

基于码本的说话人自适应方法

本文提出了一种基于码本的说话人自适应方法.它可以将变换方法和Bayes估计法这两大类说话人自适应方法的优点有机的结合起来,既能实现快速的说话人自适应,还具有良好的一致渐进性.自适应过程可分为两个阶段:在第一阶段,用由大量参考说话人的语音码本构成的线性组合来逼近用户的语音码本.此时只需要很少的自适应训练数据就可以用基于Rosen梯度投影法的优化算法计算出线性组合中各码本的最佳权值.在第二阶段,码本的最佳线性组合被用作用户码本的先验估计值.随着更多自适应训练数据的获得,系统对用户码本进一步进行Bayes估计,从而可以实现累进的自适应.作者将该方法应用于说话人无关的连续汉语语音识别系统.一系列的对比实验表明该自适应方法很有前途.     

A study on speaker adaptation of the parameters of continuousdensity hidden Markov models

For a speech-recognition system based on continuous-density hidden Markov models (CDHMM), speaker adaptation of the parameters of CDHMM is formulated as a Bayesian learning procedure. A speaker adaptation procedure which is easily integrated into the segmental k-means training procedure for obtaining adaptive estimates of the CDHMM parameters is presented. Some results for adapting both the mean and the diagonal covariance matrix of the Gaussian state observation densities of a CDHMM are reported. The results from tests on a 39-word English alpha-digit vocabulary in isolated word mode indicate that the speaker adaptation procedure achieves the same level of performance as that of a speaker-independent system, when one training token from each word is used to perform speaker adaptation. It shows that much better performance is achieved when two or more training tokens are used for speaker adaptation. When compared with the speaker-dependent system, it is found that the performance of speaker adaptation is always equal to or better than that of speaker-dependent training using the same amount of training data     

基于特征语音的说话人自适应算法研究

介绍了说话人自适应技术中的特征语音(Eigenvoice,EV)方法。用最大后验概率特征分解(Maximum a Posteriori Eigen-decomposition,MAPED)法来计算线性组合系数,代替了传统方法中的最大似然特征分解(Maximum Likelihood Eigen-decomposition,MLED)的方法。实验对这两种方法的性能进行了比较。结果证明使用MAPED这种方法比用MLED的方法错误识别率有一定的降低,增强了系统的鲁棒性。     

Speaker Adaptation Using ICA‐Based Feature Transformation

Speaker adaptation techniques are generally used to reduce speaker differences in speech recognition. In this work, we focus on the features fitted to a linear regression‐based speaker adaptation. These are obtained by feature transformation based on independent component analysis (ICA), and the feature transformation matrices are estimated from the training data and adaptation data. Since the adaptation data is not sufficient to reliably estimate the ICA‐based feature transformation matrix, it is necessary to adjust the ICA‐based feature transformation matrix estimated from a new speaker utterance. To cope with this problem, we propose a smoothing method through a linear interpolation between the speaker‐independent (SI) feature transformation matrix and the speaker‐dependent (SD) feature transformation matrix. From our experiments, we observed that the proposed method is more effective in the mismatched case. In the mismatched case, the adaptation performance is improved because the smoothed feature transformation matrix makes speaker adaptation using noisy speech more robust.     

Speaker Adaptation of Hybrid NN/HMM Model for Speech Recognition Based on Singular Value Decomposition

Recently several speaker adaptation methods have been proposed for deep neural network (DNN) in many large vocabulary continuous speech recognition (LVCSR) tasks. However, only a few methods rely on tuning the connection weights in trained DNNs directly to optimize system performance since it is very prone to over-fitting especially when some class labels are missing in the adaptation data. In this paper, we propose a new speaker adaptation method for the hybrid NN/HMM speech recognition model based on singular value decomposition (SVD). We apply SVD on the weight matrices in trained DNNs and then tune rectangular diagonal matrices with the adaptation data. This alleviates the over-fitting problem via updating the weight matrices slightly by only modifying the singular values. We evaluate the proposed adaptation method in two standard speech recognition tasks, namely TIMIT phone recognition and large vocabulary speech recognition in the Switchboard task. Experimental results have shown that it is effective to adapt large DNN models using only a small amount of adaptation data. For example, recognition results in the Switchboard task have shown that the proposed SVD-based adaptation method may achieve up to 3-6 % relative error reduction using only a few dozens of adaptation utterances per speaker.     

基于最大似然可变子空间的快速说话人自适应方法

该文提出一种基于最大似然可变子空间的说话人自适应方法。在训练阶段,对训练集中的说话人相关模型参数进行主分量分析,得到一组说话人基矢量;在自适应阶段,通过最大似然准则选取与当前说话人相关性最大的基矢量子集,进而将新的说话人相关模型限制在这组基矢量所张成的说话人子空间中,通过求解每一个基矢量对应的系数从而进行说话人自适应。与经典的基于子空间的说话人自适应方法不同,该文中的说话人子空间是在自适应阶段动态选取的,所需要估计的参数更少,在少量自适应数据下可以得到更稳健的自适应结果。在基于微软语料库的连续语音识别自适应实验中,给定极少量自适应数据(小于5 s),在有监督和无监督条件下,该文方法均优于经典的本征音自适应方法和基于最大似然线性回归的方法。