基于CNN-LSTM网络的声纹识别研究

传统声纹识别方法过程复杂,模型识别准确率低,是声纹识别应用发展的关键问题。利用深度学习具有自主特征提取及分类的特点,结合卷积神经网络(CNN)和长短期记忆网络(LSTM),提出一种结合的网络模型学习声纹识别特征及对其进行身份认证。将原始语音转换为固定长度语谱图,顺序进入CNN、LSTM,结合网络进行训练以及声纹特征学习。通过对比CNN、LSTM以及DNN网络,验证CNN-LSTM网络在声纹识别中具有较少迭代次数情况下高准确率的特性。经实验结果可以得出,语音空间特征及时序特征均是声纹识别中重要的影响因素,实验中的CNN-LSTM网络模型准确率达到95.42%,损失低值达到0.097 3。该方法有利于实际声纹识别的应用。     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。     

常压储罐底板特性的声发射检测

将声发射技术应用于常压储罐罐底板特性的在线检测中，不仅体现该技术的方便快捷等特点，同时可以对整个储罐的底板特性进行评价，包括有无泄漏迹象、活性源信号的中心频率、摩擦噪声信号的中心频率及信号的传播途径等。     

“数据库”实践环节的“验证式”教学

初学者由于缺乏系统分析和设计的全局概念,设计数据库时往往脱离需求分析,对所设计数据库缺乏有效的验证方法。本文给出了一种以案例为主线的数据库设计及验证方法,不但能有效验证所设计数据库能否满足系统需求,而且在方法实施过程中能够用一条实践主线贯穿数据库设计和应用等主要知识点。     

复小波域层内层间相关性图像去噪方法

提出了双树复小波变换域尺度内和尺度间复系数相关性图像去噪新方法。该方法利用双树复小波变换的多方向性和平移不变性对图像进行多尺度分解,采用邻域复系数微分窗对其高频方向子图进行尺度内复系数相关性建模,并按最小错误率贝叶斯决策规则进行分类和状态标识;再把复系数尺度内状态标识与复小波域隐马尔可夫树相结合,从而实现降噪功能。实验结果表明,该方法在峰值信噪比指标上优于传统的滤波方法,能有效地抑制噪声的同时,对图像边缘具有较好的保护能力。     

复小波包变换域混合统计模型图像降噪算法

该方法利用四树复小波包变换具有的移不变性、良好的方向选择性和对高频信号的细致分析能力等特点, 把含噪图像分解成低频逼近子图和若干高频方向子图; 在保留低频逼近子图复系数不变的同时, 利用复系数层间相关性的强弱把高频方向子图分为主要类和次要类. 对主要类和次要类复系数分别进一步采用非高斯双变量模型和零均值高斯分布模型进行噪声抑制. 实验结果表明, 无论是峰值信噪比(PSNR)指标, 还是在视觉效果上, 本文方 法的去噪性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪, 在有效抑制噪声的同时, 具有很好的图像边缘和细节保护能力.     

运用C#处理Oracle数据库图片

图片处理是数据库系统开发中经常涉及的技术。分析总结了在Oracle数据库中对大数据类型（LOB）的支持,介绍使用C#．NET开发工具处理图片的方法,以期在数据库操作中对大数据类型进行快速的处理。     

5000m^3蜡油储罐底板的漏磁检测与完整性评定

利用漏磁方法对某石化公司一个5 000 m.蜡油储罐的底板进行了现场检测,给出了底板的腐蚀状况.漏磁检测、超声波测厚和割板测量结果的对比分析证实了漏磁检测方法的可靠性.并综合宏观检测结果.分析了该储罐罐底发生腐蚀失效的主要原因,最后依据API 653对维修后的储罐底板进行了完整性评定.评定结果表明,该储罐底板能够安全运行到下一次内部检验时(5 a).     

车牌定位中宇符边缘色彩信息作用研究

研究了字符边缘色彩信息对车牌定位的作用.在HSV色彩空间中,字符边缘处色度、饱和度处于特定的较窄范围,分别提取出车牌底色色彩像素点和字符色色彩像素点,再利用图像水平方向纹理得到车牌底色纹理,最后排除没有字符色像素点相邻的底色纹理像素点.实验结果表明,该方法适应性强、定位速度快,可在定位的同时确定车牌颜色.     

变采样率的磁共振图像分块压缩感知

提出一种磁共振(MR)图像的变采样率分块压缩感知(BCS,block-based compressed sensing)方法;根据MR图像细节丰富、纹理复杂的特点 ,引入对图像高 维奇异结构具有良好稀疏表示能力的Tetrolet变换,同时考虑到MR图像各切片间的时空相 关性,将相邻时序的MR切片组成图片组(GOP),通过计算参考图片与相邻切片的差异,并对 参考 图片及差异图进行不重叠分块,根据图像块内容变化的快慢自适应分配采样率,获取测量数 据,采用平滑投影Landweber(SPL,smooth projected Landweber)算法实现GOP的高质 量压缩感知(CS)重构。实验结果表明,Tetrolet 变换适用于MR图像的稀疏表示,相较于采用离散余弦变换(DCT)及双树小波变换(DWT)的方法 ,本文的重构图 像的PSNR平均提高了0.92dB与2.06dB;而且对于不同的GOP,采用变采样率方案时, 重构图像的质量均优于固定采样率时所得到的结果,为MR图像的CS提供了一种可行 的解决方案。