倒谱定深法在目标识别中的应用

研究了一种基于倒谱分析进行目标定深的方法,以解决目标识别中水面、水下分类的问题。通过接收的目标声源信号的倒谱瀑布图分析,获得水声目标声源海面反射、海底反射路径与直达路径之间的时延,以及海面、海底二次反射路径与直达路径之间的时延。采用文中推导的定深公式,可以基于以上三组时延估算出目标深度,从而为水声目标“二进制识别”提供了依据。最后用海上实录数据进行了实验,证明了该方法的可行性。     

1(1/2)维谱及其倒谱在故障诊断中的研究与应用

为了提高故障诊断正确率,通过将倒谱和1(1/2)维谱相结合定义了倒1(1/2)维谱。1(1/2)维谱能够消除高斯噪声,倒谱能够减少谱图中的虚假谱峰,但噪声对倒谱分析的结果具有较大的影响。倒1(1/2)维谱则可以结合1(1/2)维谱和倒谱的优点。通过将1(1/2)维谱、倒谱和倒1(1/2)维谱分别应用于溢流阀故障诊断实验,结果表明,倒1(1/2)维谱可以取得较好的故障诊断效果。     

复倒谱域语音信号去混响研究

语音信号去混响技术能明显提高语音通信系统和识别系统的性能。简要介绍了语音复倒谱法去混响原理,对复倒谱域去混响滤波特性进行了仿真研究。根据多种去混响评价指标,确定复倒谱域“低通滤波器”的最高截止点、过渡带宽和过渡带的曲线特性等参数,发现在通常混响时间范围内,“低通滤波器”最高截止点与混响时间无关,复倒谱域滤波前加高斯窗可以改善去混响效果。     

水下蛙人呼吸声Mel倒谱特征的实验研究

为提高水下蛙人呼吸声识别的准确度,提出一种基于Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的蛙人呼吸声信号特征匹配方法。计算呼吸声信号之间、信号与环境噪声及舰船辐射噪声的MFCC夹角和MFCC距离并进行匹配比较,以进行分类识别。某湖试验数据的处理结果表明:蛙人呼吸声与舰船辐射噪声及环境噪声的MFCC参数有着明显的差异,能够对蛙人呼吸声信号与干扰噪声进行区分,证明了基于MFCC特征算法的有效性,对发展港口、码头等近海海域附近的水下蛙人探测声呐和预警系统具有实际意义。     

基于倒谱的匹配场被动定位研究

在对仿真的多径信道的水听器接收信号作倒谱处理获得时延谱结构的基础上,研究了对接收信号的倒谱与拷贝场的倒谱作匹配处理以求达到目标的被动定位的方法。     

《分数倒谱及其在机械故障诊断中应用研究》

论述了分数倒谱的定义和算法,提出了一种基于分数倒谱的机械故障诊断方法。并与倒谱分析方法进行对比分析。实验研究表明,分数倒谱优于传统的倒频谱分析方法,分数倒谱能有效抑制干扰,提高图谱质量。     

语音识别方法在水下目标识别中的应用

水下目标识别是潜艇在海战中,先敌发现并有效进行水声对抗的关键技术。然而,如何根据声纳接收到的舰船辐射噪声对三类目标进行分类识别是长期困扰人们的问题。研究了四种语音识别中常用的方法——线性预测系数（LPC）,线性预测倒谱系数（LPCC）,美尔倒谱系数（MFCC）和最小均方无失真响应（MVDR）,在水下目标识别中的应用效果,并比较了这四种方法在无噪声情况下的识别概率,以及在不同信噪比下的识别概率,并通过比较找到在无噪声和有噪声情况下的最佳方法。实验表明,在无噪声的情况下,MFCC方法总体识别率最高,第一类目标MFCC方法的识别率最高,第二类目标MFCC和MVDR方法识别率相似,好于其他两者,第三类目标MVDR方法识别率最高。在加入噪声的情况下,MVDR方法对三类目标的识别和抗噪声性能明显好于其余三者。     

基于AR倒谱法研究人体脾组织微结构的变化

本文利用AR倒谱法对人体正常脾和脾增生组织的回波信号进行了分析,对软组织中散射元的平均间距进行了估计,结果表明：两种脾组织散射元的平均间距明显不同;AR倒谱能有效的反映软组织的微观结构特征,说明AR倒谱是软组织超声散射信号分析与软组织散射元平均间距定征的一种有效方法。     

局域波分解在被动测向声纳中的应用

局域波分解可以把复杂信号分解为有限个内蕴模式函数和一个趋势项,这个过程相当于在时间域上对不同的频率信号进行分类。不同的内蕴模式函数分量代表了不同频率分量的信号成分,利用海洋环境噪声与目标信号频域特征或相关函数的不同,滤除被动测向声纳接收信号中的海洋环境噪声,提高输入信号的信噪比,进而提高被动测向声纳的检测性能。提出了基于局域波分解的被动测向声纳信号检测模型。计算机仿真结果表明,相对于传统的二元被动测向声纳检测模型,基于局域波分解的信号检测模型可以有效提高被动测向声纳的检测性能。     

基于融合特征的短语音汉语声调自动识别方法

提出一种基于韵律特征(基频、时长)和梅尔倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)特征的融合特征进行短语音汉语声调识别的方法,旨在利用两种特征的优势提高短语音汉语声调识别率。该融合特征包括7个根据不同模型得到的韵律特征和统计参数以及4个从每个音段的梅尔倒谱系数计算得来的对数化后验概率,使用高斯混合模型表示4个声调的倒谱特征的分布。实验分两步:第一步,将基于韵律特征和倒谱特征的分类器在决策阶段混合起来进行声调分类,分别赋予两个分类器权重,计算倒谱特征和韵律特征在声调分类任务中的权重;第二步,将基于字的韵律特征和基于帧的倒谱特征结合起来生成融合特征的超向量,使用融合特征进行汉语声调识别,根据准确率、未加权平均召回率(Unweigted Average Recall,UAR)和科恩卡帕(Cohen’s Kappa)系数3个指标,比较并评估5种分类器(两种设置的高斯混合模型,后向传播神经网络,支持向量机和卷积神经网络(Convolutional Neural Network,CNN))在不平衡数据集上的分类效果。实验结果表明:(1)倒谱特征方法能够提高汉语声调的识别率,该特征在总体分类任务中的权重为0.11;(2)基于融合特征的深度学习(CNN)方法对声调的识别率最高,为87.6%,与高斯混合模型的基线系统相比,提高了5.87%。该研究证明了倒谱特征法能够提供与韵律特征法互补的信息,从而提高短语音汉语声调识别率;同时,该方法可以运用到韵律检测和副语言信息检测等相关研究中。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

一种低信噪比环境下的语音端点检测算法

端点检测技术是语音信号处理的关键技术之一，为提高低信噪比环境下端点检测的准确率和稳健性，提出了一种非平稳噪声抑制和调制域谱减结合功率归一化倒谱距离的端点检测算法。该算法首先通过抑制非平稳噪声再采用调制域谱减消除残余噪声来提升信噪比，减少语音失真。然后再提取每帧信号的功率归一化倒谱系数，计算每帧信号与背景噪声的功率归一化倒谱距离。最后将该倒谱距离作为检测参数，采用双门限判决方法进行端点检测。实验结果表明，该端点检测算法对语音帧和噪声帧具有较好的区分性。此外，在低信噪比环境下，所提出的算法对于不同类型的噪声都具有较好的稳健性。     

Teager能量算子增强倒阶次谱提取轴承微弱故障特征

针对变速器加速过程下轴承故障特征易于暴露难以提取问题,提出一种Teager能量算子增强倒阶次谱方法。计算加速过程等角度重采样信号的Teager能量算子,对Teager能量算子输出进行倒谱分析,获得Teager能量算子增强倒阶次谱。对加速过程滚动轴承外圈、内圈剥落故障信号进行分析,结果表明,Teager能量算子能有效增强冲击成分,抑制非冲击成分;倒阶次谱能从干扰中准确识别被增强的故障冲击特征,提取轴承微弱故障特征。     

多频声感知倒谱距离与音质评价的研究

文中以多频声作为测试信号,研究电声系统中感知倒谱距离与音质评价的关系。主观评价实验表明,采用多频声信号和听觉感知模型得出的感知倒谱距离能很好地反映频响曲线对音质的影响。当选取合适的评价节目源时,主客观评价结果的相关度均可达到0.84以上,最高可达到0.96。     

基于广义倒频谱的无缝钢管在线高精度测厚技术

 为了满足无缝钢管在线高精度测厚的需求,开展了基于广义倒频谱测厚技术的研究.分析了传统测厚算法的缺点,提出一种基于广义倒频谱的无缝钢管在线测厚方法,此算法结合了相关分析和倒频谱的综合优势,处理后的波形峰值尖锐,提高了测厚精度;在此基础上对在线系统钢管旋转造成的声程误差进行了补偿.实验结果证明该方法测量精度高,实时性强,适用于工业无缝钢管在线高精度检测系统.     

融合时频域特征的舰船识别方法及实验研究

文章提出了一种融合舰船辐射噪声时频域特征的识别方法,将舰船辐射噪声的线谱特征和线性预测倒谱特征作为输入,分别利用反向传播（Back Propagation,BP）神经网络进行训练、降维及初步判别,并采用加权投票方式,引入置信度算法和拒判机制实现决策级融合识别。实验结果表明,对比基于舰船单一特征的识别方法,利用舰船辐射噪声时频域特征的互补性进行融合识别,减小了单一识别方法误判对总识别率的影响,具有较强的鲁棒性,可有效提高对目标的识别率。