基于载波相频差异矩阵的单通道盲分离算法

目前欠定条件下盲分离算法的研究集中在稀疏性强的语音信号,适应性较差。且存在分离不完全、残余成分较大的问题。针对该问题提出了一种基于载波相频差异矩阵的单通道盲分离算法。该算法在信号频谱混叠的情况下,利用通信信号的载波相频信息来构建差异矩阵,实现单路到多路的变换。在多通道框架下以基于核密度估计的遗传算法实现多通道盲分离。实验结果表明:该方法对信号稀疏性无严格要求,适应性强,并能较彻底地分离出常规同频通信信号。     

一种K值自适应和局部搜索的KNN矩阵修复方法

数据在采集和传输过程中由于多种原因会造成矩阵残缺,因此在数据分析之前需要对残缺矩阵进行修复。常见的KNN修复方法 k值选取不合理,且需在整个矩阵中搜索近邻,影响算法的修复效果。在其基础上提出了一种k值自适应的局部KNN矩阵修复方法,合理考虑了k值的选取和近邻项的搜索范围。实验证明了该方法能有效提高矩阵修复的正确率,且算法的时效性有所提高。     

基于循环神经网络的汉语语言模型建模方法

语言模型是语音识别系统的重要组成部分,目前的主流是n-gram模型。然而n-gram模型存在一些不足,对语句中长距信息描述差、数据稀疏是影响模型性能的两个重要因素。针对不足,研究者提出循环神经网络(Recurrent Neural Network,RNN)建模技术,在英语语言模型建模上取得了较好的效果。根据汉语特点将RNN建模方法应用于汉语语言建模,并结合两种模型的优点,提出了模型融合构建方法。实验结果表明:相比传统的n-gram语言模型,采用RNN训练的汉语语言模型困惑度(Per PLexity,PPL)有了下降,在对汉语电话信道的语音识别上,系统错误率也有下降,将两种语言模型融合后,系统识别错误率更低。     

LVCSR系统中一种基于区分性和自适应瓶颈深度置信网络的特征提取方法

大词汇量连续语音识别系统中,为了进一步增强网络的鲁棒性、提升瓶颈深度置信网络的识别准确率,本文提出一种基于区分性和自适应瓶颈深度置信网络的特征提取方法。该方法首先使用鲁棒性较强的瓶颈深度置信网络进行初步特征提取,进而进行区分性训练,使网络的区分性更强、识别准确率更高,在此基础上引入说话人自适应技术对网络进行调整,提高系统的鲁棒性。本文利用提出的声学特征在多个噪声较强、主题风格较为随意的多个公共连续语音数据库上进行了测试,识别准确率取得了6.9%的提升。实验结果表明所提出的特征提取方法相对于传统方法的优越性。      

嵌入深度信念网络的点过程模型用于关键词检出

基于点过程模型的关键词检出系统是一种新颖的连续语音关键词检出系统,虽然该系统具有对样本数要求不高、计算速度快等优点,但其检出性能比较依赖于前端音素探测器的准确度,而目前广泛用于音素探测器的高斯混合模型存在表征和建模能力不强的问题。针对这一缺陷,本文提出了一种嵌入深度信念网络的点过程模型并将其应用于关键词检出,该模型采用表征能力强的深度信念网络来建立音素探测器,改进了高斯混合模型在表征能力上的不足。实验结果表明该方法能够获得比原模型更高的检出率,并且降低了计算复杂度,更适用于需要实时检测关键词的场合。      

基于稀疏线性重构的主动学习算法

传统的主动学习算法,或需要随机选择已标注样本为基础,或忽略数据的结构细节,或需要预先设定固定的邻域规模。基于稀疏表示模型和最优实验设计方法,文中提出一种基于稀疏线性重构的主动学习算法。该算法首先用稀疏表示模型获得样本和其它样本之间的稀疏重构模式,接着在保证样本间稀疏重构关系和重构样本精度的目标下选择合适的样本。实验结果表明,基于文中算法挑选样本无需任何先验知识,克服其它方法需固定邻域范围的缺点,样本选择结果与近邻熵方法、转换实验设计、局部线性重构方法相比,可获得更好的分类性能。     

基于偏度和时序结构的声音信号盲抽取算法研究

信号盲抽取是盲信号处理领域的热点研究方向,它仅抽取感兴趣的信号,能有效减小运算量,解决盲分离中信号顺序不确定性的难题,因而在生物医学信号分析（如EEG、MEG、fMRI等）、语音和图像识别领域得到广泛应用。针对传统的基于时序结构的盲抽取算法存在较弱的抗噪性和对时延估计误差比较敏感的不足,论文提出了将偏度和时序结构相结合的信号盲抽取算法。该算法首先利用偏度的非对称性来度量分离信号的非高斯性,以减弱噪声,同时减小了传统的利用峭度度量非高斯性方法的运算量;其次利用基音周期作为声音信号的最佳时延估计,以实现对感兴趣信号的盲抽取,将两者结合后使得算法对时延估计误差不敏感,且对噪声更具鲁棒性。仿真实验部分选取了标准TIMIT语料库中一男、两女分别单独朗读同一语句的语音信号,盲抽取的实验结果表明:本文算法与文献3中算法相比具有较好的分离效果且抽取速度快,与文献4中算法相比分离效果相当但大大地提高了抽取速度,从而验证了本文算法的有效性。      

基于多宇宙并行量子遗传算法的非线性盲源分离算法研究

在系统分析非线性盲源分离模型和算法的基础上,提出了基于输出信号联合累积量的非线性盲 源分离算法,并提出采用多宇宙并行量子遗传算法的优化求解方法,仿真结果表明了算法的有效性。     

基于比特频率检测低码率线性分组码的盲识别

在通信系统中,为了保证传输信息的可靠性,通常会采用信道编码技术,而线性分组码凭借其具有编、译码结构简单及非常优越的纠错性能,已在各种现代数字通信系统中得到广泛应用,因此,在信息截获领域中对线性分组码盲识别问题也日益突出。为解决较高误码条件下的低码率二进制线性分组码的盲识别问题,提出了基于比特频率检测估计码长的方法,然后,通过优化传统的矩阵化简方法及采用线性分组码的校验关系设定一个判决门限T的方式完成生成矩阵的正确求解,进而实现对低码率的线性分组码的盲识别。理论分析及仿真验证表明:该方法能够实现对低码率线性分组码正确的识别,且具有较好的容错性能,本文最后也验证了该识别方法在较高误码率条件下具有较好的识别效果。     

互调干扰信号的特征识别

在复杂电磁信号环境中,实际存在为数不少的互调干扰信号,对这类信号的有效分析识别,是无线电监测工作需要重点关注解决的难题。对互调干扰信号在幅度特征和频谱峰值特征两个方面的特性进行了分析,给出了互调干扰信号识别的思路。