共查询到17条相似文献,搜索用时 187 毫秒
1.
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。 相似文献
2.
3.
4.
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。 相似文献
5.
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。 相似文献
6.
7.
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。 相似文献
8.
9.
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。 相似文献
10.
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。 相似文献
11.
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。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
15.
16.