核主泵转速传感器抗震反应谱试验的实现方法

为完成核主泵转速传感器的抗震试验,设计一套放大装置,对其进行了频响分析、瞬态时程分析和试验调试.通过频响分析初步确定放大装置的结构形式和尺寸;通过瞬态时程分析得到给定输入条件下放大装置所要求位置的反应谱曲线,进一步确定设计的放大装置的可行性;根据瞬态分析结果及地震试验台性能对放大装置进行多次调试.结果 表明:放大装置上所要求位置的试验反应谱能够包络要求反应谱,核主泵转速传感器完成抗震试验.     

基于FDS法研究水分含量对特征频率处介质损耗的影响

为研究水分对油纸绝缘系统的影响,分别在30℃和60℃下对试验室制备的试品进行频域介电谱(FDS)测量,通过对所得试验结果进行分析,选取特征频率处的介质损耗和水分含量进行拟合,并获得相关的拟合关系。研究表明:水分含量和特征频率处的介质损耗呈指数函数关系,随着水分含量的增大介质损耗也增大,其增长速率也逐渐增大,且频率越小其增长速率越大;在同一特征频率处,温度越高介质损耗的增长速率越大。     

低信噪比下雷达回波谱矩快速估计方法

针对在低信噪比下机载气象雷达回波多普勒参数（谱矩）估计不准确的问题，本文在气象目标的雷达回波频谱服从高斯分布的基础上，给出了一种利用协方差矩阵分解的快速参数化谱矩估计算法。通过理论分析，推导出雷达回波的协方差矩阵具有范德蒙结构特性，进而将用于谱矩估计的代价函数转化为类傅里叶变换结构，然后进一步通过快速傅里叶变换和高斯加权滑窗计算代价函数，实现快速的谱矩估计。仿真实验结果表明，该方法在信噪比低于5 dB时仍可以有效估计雷达回波的谱矩参数，同时运算复杂度大大降低，而且在谱宽值较大情况下仍能保持较好的估计性能。      

基于深度学习的两阶段联合声学回波和混响抑制技术

在现代通信系统中，通信语音的质量和可懂度会被回波与混响严重损害，人与人之间的交流因此会被严重干扰。为了同时消除回波与混响的负面影响，本文提出了一种基于深度学习的两阶段联合声学回波和混响抑制系统。该系统逐步地消除加性声学回波与多径效应产生的混响干扰，从而获得目标语音。系统首先使用基于理想比值掩蔽（Ideal Ratio Mask，IRM）的模型去除与目标信号不相关的声学回波，紧接着对于与目标信号强相关的混响干扰，系统通过利用一个基于“隐掩蔽”的谱映射模型将其去除。两阶段模型最后进行联合训练以获得更好的系统性能。一系列不同声学环境下的实验结果表明，本文所提出的系统可显著地消除回波与混响干扰，从而极大地增强了目标语音的语音质量与可懂度。      

同频段混合信号中的无人机信号盲检测识别

无人机信号的探测识别技术是应对无人机黑飞滥用的关键技术之一。在实际信号监测环境中，经常会接收到多个信号的混合信号，它们在时域和频域上混叠且各信号分量调制样式相同。为解决在同频段混合信号中检测识别出无人机信号的问题，提出了一种通过谱特征分析判断无人机信号存在性的方法。分别采用基于二次方谱特征的无人机图传和WiFi混合信号检测识别算法以及基于频谱带宽特征的多无人机混合信号检测识别算法，通过对射频电路采集的信号进行仿真验证，实现了从同频段混合信号中检测识别出无人机信号分量。理论分析和实验测试结果证实了所提检测识别算法的有效性。     

利用奇异谱分析的深度神经网络语音增强方法

针对现有深度神经网络语音增强方法对带噪语音的去噪能力有限、语音质量提升不高的问题，提出了一种基于奇异谱分析的深度神经网络语音增强方法。通过引入奇异谱分析算法对带噪语音进行预处理，以初步分离得到语音信号与噪声。接着将语音信号与噪声用于深度神经网络模型得训练，以得到性能更优的网络模型，从而使得本文方法具有更好的性能。最后在重建干净语音的环节中，同时使用神经网络估计得到的对数功率谱和带噪语音的对数功率谱，并加入了权重系数，使得本文提出的方法可以适应不同信噪比的情形，有效的去除背景噪声，降低语音信号的失真。本文通过仿真实验验证了该方法的有效性和鲁棒性。      

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。     

融入局部几何特征的流形谱聚类图像分割

为了改善谱聚类图像分割的精准性和时效性,文中提出融入局部几何特征的流形谱聚类图像分割算法.首先,考虑图像数据的流形结构,在数据点的K近邻域内执行局部PCA,得到数据间本征维数的关系.然后,引入流形学习中的局部线性重构技术,通过混合线性分析器得到数据间局部切空间的相似性,结合二者构造含有局部几何特征的相似性矩阵.再利用Nystr m技术逼近待分割图像的特征向量,对构造的k个主特征向量执行谱聚类.最后,在Berkeley数据集上的对比实验验证文中算法的准确性和时效性优势.     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。