基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

利用相锁值算法的脑电相同步测谎研究

相锁值（Phase Locking Value,PLV）是由相同步的概念下提出一种描述不同信号相关性（同步性）的算法,在脑电信号领域,其有效性已经得到了验证.本文针对当前测谎方法中脑电信号特征提取困难的问题,首次将相锁值的算法应用到脑电测谎领域中,研究谎言脑活动下不同脑区之间的相关性,通过相关性发现谎言的认知机制,并利用该相关性作为特征,使用支持向量机对说谎者和诚实者的两类信号进行模式识别,得到了88.50%的准确率,提出的方法验证了PLV在测谎应用中的有效性,为基于脑电信号的测谎提供了一种新的途径.     

基于SVM和GMM组合分类器的谎言识别方法

对于执法机关和其他的政府机构来说，谎言检测正变得不可缺少，运用哥伦比亚语音数据库，通过机器学习的方法区分谎言和真话，我们通过对语音特征时域和频域的划分，提出SVM组合分类器的方法，并与单个分类器进行对比试验，结果表明组合分类器的识别率较单个提升了2％，同时，在跨性别的谎言检测实验中分类器也表现出了较好的识别率。     

一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用

针对现有双通道语音活动检测(Voice Activity Detection, VAD)算法依赖于固定阈值难以在多种噪声环境下准确地检测语音和噪声,应用于手机消噪系统会造成语音失真或噪声消除不好等问题,该文提出一种基于神经网络的VAD算法,该算法以分频带能量差和归一化互通道相关为特征,采用神经网络对语音和噪声进行分类。在此基础上,将神经网络VAD与基于互通道信号功率比值的VAD相结合,提出一种新的适用于手机消噪系统的语音和噪声活动检测算法分别对语音和噪声进行检测,并以此进行噪声抑制处理,减少了消噪系统因VAD误判而造成的性能下降。实验结果表明,该处理方法在抑制背景噪声和减少语音失真等方面优于现有的消噪算法,对于方向性语音干扰也有很好的抑制效果。     

基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究

基于语音数据分析的帕金森病(PD)诊断存在样本量小、训练与测试数据分布差异明显的问题。为了解决这些问题,需要从降维和样本扩充两个方面同时进行。因此,该文提出结合加噪加权卷积稀疏迁移学习和样本特征并行优选的PD分类算法。该算法可从源域的公共语音库中学习有利于表达PD语音特征的有效结构信息,同时完成降维和样本间接扩充。样本特征并行优选考虑到了样本和语音特征间的关系,从而有助于获取高质量的特征。首先,对公共语音库进行特征提取构造公共特征库;然后,以公共特征库对PD目标域的训练数据集及测试数据集进行稀疏编码,这里分别采用传统稀疏编码(SC)与卷积稀疏编码(CSC)两种稀疏编码方法;接着,对编码后的语音样本段和特征数据进行同时优选;最后,采用支撑向量机(SVM)进行分类。实验结果表明,该算法针对受试者的分类准确率最高值达到了95.0%,均值达到了86.0%,较相关被比较算法有较大提高。此外,研究还发现,相较于传统稀疏编码方法,卷积稀疏编码更有利于提取PD语音数据的高层特征;同样,迁移学习也有利于提高该算法性能。     

基于宽度学习的太赫兹光谱图像小麦霉变识别研究

小麦质量安全是粮食安全的重要组成部分。传统的小麦霉变籽粒识别检测方法需要复杂的处理步骤,耗时较长且特征提取能力较差,易造成图像有效信息的丢失,导致小麦霉变籽粒识别检测效果不佳。为解决上述问题,提出了一种基于去噪宽度学习(D-BLS)的霉变小麦太赫兹光谱图像识别方法。该方法对传统宽度学习(BLS)算法进行了改进,通过引入去噪卷积神经网络(DnCNN)模块,构建D-BLS霉变小麦分类识别模型,以增强图像质量,提高霉变小麦太赫兹光谱图像的识别精度。初步研究表明, D-BLS在识别准确率方面优于传统BLS算法,识别准确率达到93.13%。进一步使用支持向量机(SVM)、后向传播神经网络(BPNN)、卷积神经网络(CNN)与D-BLS进行建模对比。研究结果表明, D-BLS网络的分类准确率分别比SVM、BPNN和CNN高出了13.83%、7.79%和3.96%。因此, DBLS能够为小麦发霉早期鉴别提供一种新方法。     

基于语音静音段特征的手机来源识别方法

手机来源识别已成为多媒体取证领域重要的热点问题.提出了一种基于语音静音段特征的手机来源识别方法,该方法先通过使用自适应端点检测算法得到语音的静音段;然后将静音段的梅尔频谱系数(MFC)的均值作为分类特征;最后结合WEKA平台的CfsSubsetEval评价函数按照最佳优先(BestFirst)搜索进行特征选择,并采用支持向量机(SVM)对手机来源进行识别.实验部分对23款主流型号的手机进行了分类,结果表明所提特征具有较好的分类性能,在TIMIT数据库和自建的CKC-SD数据库上,平均识别准确率分别为99.23％和99.00％.另外,与语音段MFC特征和梅尔倒谱系数(MFCC)特征进行了对比,实验结果证明所提特征具有更加优越的性能.     

基于自适应门限融合策略的语音去噪算法

针对单个语音去噪算法在去噪过程中关注点较为单一,而多个语音去噪算法在融合时存在细节信息被削弱、融合效果不理想的问题,提出一种多个语音去噪算法下的自适应门限融合策略,将带噪信号分别经过3种不同的去噪算法得到3个去噪信号;根据自适应门限值以帧为单位进行帧筛选,得到自适应门限融合策略下的去噪信号;为提高识别效果,采用倒谱提升器对Gammatone频率倒谱系数(Gammatone Frequency Cepstrum Coefficient, GFCC)进行改进,并联合支持向量机进行噪声环境下的语音识别。实验结果表明,在5、10、15、20 dB四种信噪比下,通过该融合策略所得到的去噪信号与目前主流的顺序融合及多级融合方式相比,在语音识别率方面平均提高3.6%,融合倒谱提升器的GFCC特征相比于GFCC特征平均提高了2.2%。     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

基于SVM和小波系数的图像去噪算法研究

结合小波系数的性质和SVM的优点,提出一种基于SVM和小波系数的图像去噪算法,选取特定的支持向量,输入到训练机中进行训练,然后得到最优的分类函数,最后用最优分类函数对含噪图像进行去噪处理.仿真结果表明,该方法具有很好的去噪效果,且能达到较高的峰值信噪比.     

基于语音增强方法的语音端点检测

语音端点检测的检测结果好坏对后续的语音处理起着决定性的作用。为了解决语音端点在低信噪比情况下检测率不高的问题,该文提出了基于深度置信网络去噪的语音增强方法与传统的端点检测方法相结合的方法。该方法首先由大量的语音数据训练深度置信网络模型,使其能够很好地映射带噪与无噪语音之间的非线性关系,进而使其成为一个良好的降噪滤波器,再对比带噪与去噪后语音对端点检测准确率的影响,以及不同信噪比的端点检测的正确率。从该实验结果可以得到,该方法在平稳噪声和非平稳噪声的低信噪比情况下都可以提高语音端点检测的准确率。     

一种改进的多特征值语音端点检测方法研究

为了提高语音识别系统中语音端点检测的准确性,提出一种改进的多特征值语音端点检测方法.新方法首先对信号进行小波分解及小波去噪处理,对去噪后小波子带系数进行短时能量与基音周期两特征值的提取,综合考虑两特征值的大小来进行语音端点检测.实验证明,改进的检测方法提高了端点检测的抗噪性及准确度.     

一种基于支持向量机的含噪语音的清/浊/静音分类的新方法

本文将支持向量机(SVM)方法应用于语音信号的清/浊/静音检测中,提出并验证了一种在各种信噪比等级下将语音信号有效地分为清音、浊音和静音三类信号的新型分类算法.首先,在高信噪比情况下,本文采用了G.729B VAD中的四个差分参数作为SVM分类器的输入特征参数,进行了静音分类的对比实验,得到了优于G.729B VAD和BP神经网络传统算法的实验结果,说明引入这种机器学习方法做语音分类是可行的,并分析讨论了在核函数不同的情况下支持向量机在实验中所表现出的性能.其次,又讨论了在低信噪比条件下,如何通过对含噪语音建立统计模型,提取对噪音免疫的统计特征参数,并给出了一种对时变背景噪声自适应的估计方法.最后,通过在不同噪音环境下的对比实验结果,验证了本文所提出的算法在中低信噪比情况下的分类性能要优于其他传统算法.     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

基于CVMD和DBO-SVM的光纤周界安防信号识别方法

为降低光纤周界安防信号中噪声对分类结果的影响,提升信号分类的准确率和运行效率,提出一种融合了相关变分模态分解(Correlation Variational Mode Decomposition, CVMD)、蜣螂算法(Dung Beetle Optimizer, DBO)和支持向量机(Support Vector Machine, SVM)的分类方法。利用CVMD去除原始信号中的噪声分量,并提取去噪后信号的能量、能量熵和峭度作为特征向量。采用DBO算法优化SVM,得到最佳惩罚因子和核函数参数,并构建DBO-SVM分类模型。搭建了基于相位敏感光时域反射(Φ-OTDR)技术的周界安防系统,采集了攀爬、敲击、踩踏和无入侵四类信号。实验结果表明,CVMD-DBO-SVM的分类准确率相比CVMD-PSO-SVM和CVMD-GA-SVM更高,达到了98.75%,同时运行时间更短,综合性能最优。     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

重录语音检测算法

非法认证者可通过播放重新录制合法认证者的语音欺骗说话人识别系统以获得进入系统的权限，为社会安全带来威胁。因此，重录语音的检测具有现实的紧迫性，但相关的研究报道仍较缺乏。为此，本文提出一种重录语音的检测算法。该算法以MFCC（Mel-Frequency Cepstral Coefficients，美尔频率倒谱系数）的统计量作为SVM（Support Vector Machine，支持向量机）和KNN（K-Nearest Neighbors，K最近邻）分类方法的特征；除以上两种分类方法外，本文亦考察使用SAE（Sparse Autoencoder，稀疏自动编码器）的检测性能。为模拟现实生活中重录语音的真实情景，本文实验通过不同的录音设备、录音距离及录音环境对算法进行全面的测试。实验结果表明，通过增加重录语音的多样性作为训练可以使该算法的正确率提高到99.67%，达到了较好的检测性能。      

帧间自适应的压缩感知谱减去噪方法

针对应用压缩感知理论对含噪语音进行去噪其信噪比低的问题,以及应用谱减法对含噪语音去噪后语音信号仍不清晰的情况,提出帧间自适应的压缩感知谱减去噪方法。同时,由于传统压缩感知理论不能使语音信号在重构时实现帧间自适应的去噪效果,对此缺陷提出一种改进算法,并且将该算法应用到谱减法的去噪过程中。相比于经典的谱减法,实验结果表明,所提算法对含噪语音进行去噪不仅可以提高含噪语音的去噪效果,还可以有效地解决谱减法无法去除背景噪声及音乐噪声的问题。