一种改进的特征提取方法在语音识别中的应用

针对梅尔频率倒谱系数(MFCC)参数在噪声环境中语音识别率下降的问题,提出了一种基于耳蜗倒谱系数(CFCC)的改进的特征参数提取方法.提取具有听觉特性的CFCC特征参数;运用改进的线性判别分析(LDA)算法对提取出的特征参数进行线性变换,得到更具有区分性的特征参数和满足隐马尔可夫模型(HMM)需要的对角化协方差矩阵;进行均值方差归一化,得到最终的特征参数.实验结果表明:提出的方法能有效地提高噪声环境中语音识别系统的识别率和鲁棒性.     

QPQ处理工艺对F690钢渗层微观结构及磨蚀性能的影响

利用QPQ技术对F690海工钢进行盐浴复合强化处理,考察了碳氮共渗温度和时间对F690钢渗层组织、相结构及硬度、腐蚀磨损性能的影响。结果表明:经过QPQ处理后,F690钢表面形成由Fe₃O₄氧化层、Fe₂C/Fe₂N化合物层及扩散层组成的渗层,且渗层组织平整均匀。随着QPQ处理温度升高和时间延长,渗层厚度增加,渗层硬度均呈先增大而后减小的变化规律;当共渗温度为570 ℃、时间为60 min时,F690钢的渗层硬度达854HV,较F690钢硬度提高1.7倍。与F690钢相比,3.5%NaCl介质下渗层的自腐蚀电流密度降低了一个数量级,腐蚀速率降低了86.71%,摩擦系数下降约12%,磨损率显著降低。     

碱溶法从锂云母中提取锂转化部分工艺研究

研究了碱溶法从锂云母中提取锂的转化工艺。结果表明,将锂云母粉与浓度为50%的氢氧化钠溶液,按3.5∶1的液固比,在190℃的耐压反应釜中反应4h,锂的转化率可达98%以上。     

公伯峡面板堆石坝坝体沉降变形规律分析

利用公伯峡水电站电磁式沉降管和水管式沉降仪实测的坝体沉降监测资料,对堆石体的分层压缩率和坝体沉降回归统计模型进行了计算分析,深入研究了公伯峡面板堆石坝坝体沉降的变形规律。通过电磁式沉降管和水管式沉降仪监测资料的对比分析可以看出,2种监测方法相结合监测面板堆石坝的沉降变形,效果较好。     

PSO-SVR算法在发酵过程控制中的应用

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归模型的复杂性和推广能力的好坏很大程度上取决于其3个参数（?着,C,?酌）能否取到最优值,采用粒子群算法实现对参数（?着,C,?酌）的同时寻优。在此基础上,以L-天冬酰胺酶II为对象,建立其基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明：该模型具有很好的学习精度和泛化能力,可实现对L-天冬酰胺酶II产物浓度的实时在线预估。     

基于自适应均值粒子群算法的SVM参数优化方法

针对传统粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)参数寻优时的低效问题,运用了自适应均值粒子群算法(Adaptive Mean Particle Swarm Optimization,MAPSO)对SVM参数进行优化(MAPSO-SVM算法).采用自适应策略,引入了余弦函数、非线性动态调整惯性因子,每次进化都根据种群中粒子的适应度值大小将粒子分为3个等级,对每个等级的粒子赋予相应的惯性因子,将PSO算法速度更新方程中的个体历史最优位置和全局最优位置用它们的线性组合代替.分别用SVM、PSO-SVM和MAPSO-SVM算法对UCI中不同数据集进行实验测试,结果表明MAPSO-SVM算法比SVM和PSO-SVM算法的分类效果更好,分类准确率比SVM和PSO-SVM算法分别平均提高了14.7290％和1.8347％,同时与PSO-SVM算法相比,算法的收敛精度和效率更高.     

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津（OTSU）算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。     

移动锚节点定位WSNs中无标识节点算法研究

针对无线传感器网络(WSNs)无标识节点的定位问题,引入移动锚节点收集节点的接收信号强度(RSS)数据序列,利用无监督的聚类算法分析数据确定节点个数,依据锚节点运行的不同驻点,提取最强RSS信号进行圆环交叉搜索并标识覆盖网格重叠区域,再利用极大值(EM)算法筛选出可能含有未知节点的区域,最后用改进的粒子群优化(PSO)算法最终确定符合聚类个数的最优未知节点坐标.实验仿真结果表明:该算法在未知节点稀疏分布情况下,可以准确地估算未知节点个数和位置坐标.