高校校企联合实验室建设与发展对策研究

依托企业培养工程创新人才是经济发达国家科技与社会生产结合的成熟经验.文章通过对国外联合实验室经验总结和我国联合实验室的建设现状分析,指出了国内校企联合实验室存在的问题,并提出了高校建设联合实验室的发展对策.     

基于神经网络基础上的两种系统安全综合评价方法

从工业企业生产发展的特点出发,在界定安全评价概念的基础上，从系统论的角度简要介绍了运用三层BP神经网络技术进行安全综合评价的方法和安全模糊综合评价方法。通过对这两种较为流行的安全评价方法进行分析，指出了传统评价方法的不合理性，辨证说明了这两种评价方法的优越性。     

基于时频感知神经网络的语音频带扩展

为了进一步提高基于深度学习的语音频带扩展性能,提出了一种基于编解码器的神经网络结构,编码器对数据进行深度特征提取,解码器进行宽带语音重构,并在编解码器中间设计了局部敏感哈希自注意力层,用于增强模型对深度特征的有效选择。编解码器内部使用了时间卷积网络,有效提升了模型对语音时序数据上下文依赖关系的学习能力。为了促进模型朝更加准确的方向训练,还提出了一种时频感知损失函数,有利于模型在时域、频域以及感知域获取窄带语音到宽带语音的最优映射解。通过主观和客观实验结果表明,该方法优于传统方法和近几年基于深度神经网络的语音频带扩展方法。      

基于DHMM的低心率变异性心音的分割方法

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法。首先,通过集合经验模态分解（Ensemble empirical mode decomposition,EEMD）使用有效的本征模态函数（Intrinsic mode function,IMF）分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型（Gaussian mixture model,GMM）;接着,优化隐马尔可夫模型（Hidden Markov model, HMM）并建立基于时间相关性的隐马尔可夫模型（Duration-dependent hidden Markov model,DHMM）,更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s₁,收缩期,s₂和舒张期。将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型（Logistic regression hidden semi-Markov model,LRHSMM）算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优。     

两扬声器配置下的串声消除系统参数优化设置

针对三维声音两扬声器重放中基本上独立研究逆滤波器的设计或扬声器的配置等因素对串声消除系统（CCS）性能的影响,提出了采用频域最小均方（LS）估计逼近方法,系统考察这些因素之间的关联以及对串声消除性能优化的作用,并通过折中考虑CCS的运算效率及系统性能获得了一组最优参数。实验采用通道分离度（CS）和性能误差（PE）两个指标对串声消除效果进行综合评价,仿真结果表明,该组最优参数能获得很好的串声消除效果。     

融合注意力机制的CS-BiLSTM深度回声消除算法

在全双工通信系统中，声学回声会降低用户的体验，针对在双向通话场景下自适应滤波算法消除声学回声效果不理想以及非线性声学回声难以消除的问题，提出一种注意力机制与BiLSTM网络相结合的CS-BiLSTM深度声学回声消除算法。首先通过构建BiLSTM网络提取语音的时序特征，之后引入通道和空间注意力机制提取回声信号的空间特征信息，并融合均方根误差与平均绝对误差提出一种新的损失函数，提高模型的鲁棒性。改进后的CS-BiLSTM网络模型能够获得清晰的语音信号，具有更好的回声消除性能。仿真结果表明，在非线性回声和双向通话环境下，与其他几种参考算法相比，所提出的CS-BiLSTM算法在感知语音质量评价方面明显优于其他算法，更有效地实现了回声消除，此外，该算法结构简单且模型参数量更少。     

基于MOM的中间件技术研究

由于网络底层分布式环境的异构性和动态变化，导致分布式应用程序的开发越来越复杂。本文研究了基于P—S系统的面向消息的中间件的运行机理．详细探讨了其条件匹配、位置透明和容错能力等相关的技术问题，使应用程序能够有更好的可用性、灵活性和扩充性．具有很高的理论价值和应用价值。     

结合SVM和香农能量的HSMM心音分割算法

针对基于逻辑回归的隐半马尔可夫模型中希尔伯特（Hilbert）变换提取的心音包络具有较大毛刺,提出一种结合支持向量机（Support vector machine, SVM）和香农能量的隐半马尔可夫模型（Hidden semi-Markov model, HSMM）心音分割算法。首先采用小波降噪的方法对心音进行降噪,接着根据R峰和T波标记心音,提取香农能量包络等特征,然后对结合逻辑回归模型（Logistic regression, LR）的HSMM相关参数进行训练,并借助Viterbi算法推测出最可能的状态。最后,通过SVM模型识别第一心音S₁和第二心音S₂。该算法无需设置硬阈值,有效地抑制了噪声,更有助于包络的提取。实验结果表明,提出的算法分割精确度较参考算法得到显著的提升,具有良好的抗噪性能,取得了更好的分割效果。     

基于隐马尔可夫模型的非监督噪声功率谱估计

噪声功率谱估计是语音增强算法的基本组成部分,传统算法大多采用启发式的估计方法,因而不能保证噪声估计值的统计最优。提出了一种基于极大似然的非监督噪声功率谱估计方法,采用隐马尔可夫模型(Hidden Markov model, HMM）在每个子带建立语音和非语音对数功率谱的统计模型,模型包含语音和非语音两个高斯分量,其中非语音高斯分量的均值表示噪声功率谱估计值,根据最大期望（Expectation maximization, EM)算法得到包括噪声均值在内的HMM参数集。针对语音信号可能出现的长时缺失,对HMM引入了一些约束条件,保证了模型的稳定性。实验表明,该方法获得的极大似然噪声估计优于基于启发式的经典方法获得的噪声估计。