OFDM技术及其在LTE系统中的应用

正交频分复用(OFDM)是一种优越的多载波调制方式和传输技术。文章给出OFDM系统的基本模型,论述OFDM技术原理,并使用MATLAB对OFDM系统进行性能仿真,最后讨论了OFDM技术在LTE系统中的应用。     

基于CHMM的雷达海面回波建模与分析方法

高分辨率雷达以低擦地角观测粗糙海表面时杂波幅度明显增强,产生海尖峰效应。海尖峰与平稳海杂波的统计特性差别显著,使用单一概率密度函数(PDF)的传统统计建模方法难以精确描述回波特性,尤其在回波中包含目标信号时,这种不适应更为严重。该文将连续型隐马尔可夫模型(CHMM)用于海杂波建模,把海面回波分为平稳海杂波、海尖峰和目标回波3个状态,使用高斯混合密度模型(GMDM)建立各状态观测值的连续PDF表达式,使用Baum-Welch算法对CHMM的参数进行计算和重估。同时,修正了基于GMDM的CHMM观测值状态联合概率公式,解决了GMDM参数迭代求解过程中的分母下溢出问题,为海杂波建模与分析提供了一种新的方法。最后对实际雷达采集数据的分析证明了该方法的有效性。     

基于最大熵的隐马尔可夫模型文本信息抽取

文本信息抽取是处理海量文本的重要手段之一.最大熵模型提供了一种自然语言处理的方法.提出了一种基于最大熵的隐马尔可夫模型文本信息抽取算法.该算法结合最大熵模型在处理规则知识上的优势,以及隐马尔可夫模型在序列处理和统计学习上的技术基础,将每个观察文本单元所有特征的加权之和用来调整隐马尔可夫模型中的转移概率参数,实现文本信息抽取.实验结果表明,新的算法在精确度和召回率指标上比简单隐马尔可夫模型具有更好的性能.     

一种基于加权隐马尔可夫的 自回归状态预测模型

针对电子系统状态趋势预测问题,提出了一种加权隐马尔可夫模型的自回归趋势预测方法.该方法以自回归模型作为隐马尔可夫的状态输出,利用加权预测思想对马尔可夫链中的隐状态进行混合高斯模型的加权序列预测,并利用最大概率隐状态下的自回归系数计算模型输出.通过对实际的复杂混沌序列和电子系统BIT状态数据进行趋势预测,并针对不同模型参数下的预测结果进行实验分析,结果表明该方法对系统状态变化的趋势具有较好的预测性能.     

鲁棒性话者辨识中的一种改进的马尔科夫模型

为了提高话者识别系统的噪声鲁棒性,本文对CHMM 进行了改进,将每帧特征参数之间的差分参数来对应状态之间的转移,从而使帧间信息在模型中得到了体现.利用改进后的CHMM模型对不同的特征参数携带的信息进行信息融合.使得在强噪环境下,鲁棒性好的特征参数起主导作用,而在噪声比较小的环境下,精细度高的特征参数起主导作用.实验证明,这种改进的马尔可夫模型明显提高语音识别系统的鲁棒性能,这种技术具有良好的发展和应用前景.     

FDM雷达信号的宽带模糊函数性能分析

OFDM(正交频分复用)雷达是近年来兴起的一种新体制雷达.由于其具有大时宽带宽积、良好的抗干扰性能、较高的频谱利用率和易于数字化处理等诸多优点近年来备受关注.OFDM雷达信号属于大时宽带宽积信号,在运用窄带模糊函数分析时具有一定的局限性,首先给出了OFDM雷达信号的回波模型,在此基础上推导出信号的宽带模糊函数表达式,分析了OFDM雷达的时频分辨性能.分析表明,OFDM信号具有近似图钉型的模糊函数,该结果可用于OFDM雷达系统的设计分析.     

基于离散Hartley变换的OFDM实现模型

本文研究离散Hartley变换在OFDM系统中的应用,提出一种基于离散Hartley变换的OFDM实现模型.分析了新模型在加性高斯白噪声信道下的传输性能和算法复杂度.新模型与基于离散傅立叶变换(DFT)的OFDM系统具有相同的传输性能,但计算复杂度降低,时效性提高,且调制与解调算法一致.     

基于HMM和LVQ网络混合模型的语音识别方法

提出一种基于隐马尔可夫模型(HMM)和学习向量量化(LVQ)神经网络的语音识别方法.该方法先用HMM生成最佳语音状态序列,然后用函数逼近技术产生对最佳状态序列进行时闻归正,最后通过LVQ神经网络进行分类识别.理论和实验结果表明,混合模型的识别率明显高于隐马尔可夫模型的识别率.     

2维隐马尔可夫模型的基本问题求解

研究了2维隐马尔可夫模型的三个基本问题,包括概率评估问题、最优状态问题和参数估计问题.通过把2维隐马尔可夫模型行或者列上的状态序列看作一个马尔可夫模型,从理论上分别给出了解决这三个基本问题的新算法;计算机仿真对新算法的实现和运行作了进一步的说明.     

基于交叉复用技术的OFDM-WDM 光传输系统的性能分析

基于正交频分复用(OFDM)与波分复用(WDM)的基本原理,构建了一套基于OFDM技术的WDM传输系统的系统模型,并对其相关系统性能进行了理论分析。基于维纳相位噪声模型,文章对OFDM系统中相位噪声引起的公共相位误差和子载波间干扰进行了分析,在此基础上深入分析了基于交叉复用OFDM技术的OFDM子载波间干扰的消除方法,降低相位噪声对系统性能的影响。最后结合理论分析结果对系统模型的相关性能进行模拟计算,分析结果表明:采用交叉复用OFDM技术在降低相位噪声对OFDM系统性能的影响的同时,提高了系统的信号处理能力。     

A Novel Channel Predictor Based on Constrained Hidden Markov Model

1　Introduction　Linkadaptationtechniqueisnowwidelyrecognizedasakeysolutiontoincreasethespectralefficiencyofwire lesssystems[1～ 3] .GPRS ,EDGE ,cdma2 0 0 0andWCDMAallincludelinkadaptationasameanstopro videhigherdatarates[4～ 5] .Torealizethepotentialoflinkadaptation ,reliablechannel predictionisneces sary[6 ] .　Therearemanydifferentchannelpredictionmethodsavailablenow ,suchasLongRangePrediction(LRP) [6 ] ,predictionbasedonsubspacesignalprocess ingalgorithms[7] ,predictionbasedonFinit…     

Subspace Distribution Clustering HMM for Chinese Digit Speech Recognition

As a kind of statistical method, the technique of Hidden Markov Model （HMM） is widely used for speech recognition. In order to train the HMM to be more effective with much less amount of data, the Subspace Distribution Clustering Hidden Markov Model （SDCHMM）, derived from the Continuous Density Hidden Markov Model （CDHMM）, is introduced. With parameter tying, a new method to train SDCHMMs is described. Compared with the conventional training method, an SDCHMM recognizer trained by means of the new method achieves higher accuracy and speed. Experiment results show that the SDCHMM recognizer outperforms the CDHMM recognizer on speech recognition of Chinese digits.     

一种基于语义关系改进的隐马尔可夫模型研究

中文信息处理中统计方法的应用越来越广泛.为了更好地利用统计方法进行中文词义标注,文中对隐马尔可夫模型进行了改进研究,提出了使用基于语义格改进的隐马尔可夫模型.通过应用线性插值方法来计算改进的模型参数,HowNet中文知识库在中文词义标注中应用此模型,最后得到了较好的实验结果,证明了该方法的有效性.     

Maximum a Posteriori Estimation of Coupled Hidden Markov Models

Coupled Hidden Markov Models (CHMM) are a tool which model interactions between variables in state space rather than observation space. Thus they may reveal coupling in cases where classical tools such as correlation fail. In this paper we derive the maximum a posteriori equations for the Expectation Maximisation algorithm. The use of the models is demonstrated on simulated data, as well as in a variety of biomedical signal analysis problems.     

基于EMGD_HMM的音频自动分类

音频自动分类是解决音频结构化问题和提取音频内容语义的重要手段之一,是当前基于内容的音频检索领域的一个研究热点。在考察音频数据特征的基础上,针对左-右密度隐马尔可夫模型(left-right DHMM)不能很好反映音频中状态反复的缺点,提出了一种基于各态历经混合高斯密度隐马尔可夫模型(EMGD_HMM)的分类器,并应用于语音、音乐和它们的混合声音的分类。实验结果表明,EMGD_HMM的分类精度要优于left-right DHMM。     

An HMM based analysis framework for semantic video events

Semantic video analysis plays an important role in the field of machine intelligence and pattern recognition. In this paper, based on the Hidden Markov Model （HMM）, a semantic recognition framework on compressed videos is proposed to analyze the video events according to six low-level features. After the detailed analysis of video events, the pattern of global motion and five features in foreground-the principal parts of videos, are employed as the observations of the Hidden Markov Model to classify events in videos. The applications of the proposed framework in some video event detections demonstrate the promising success of the proposed framework on semantic video analysis.     

语音识别隐马尔可夫模型的改进

由于在语音识别中被广泛应用的隐马尔可夫模型是一重马尔可夫模型，它不能充分地描述语音信号的时间相依性。虽然理论上可将ＨＭＭ扩展成多重马尔可夫模型，但由于所需运算量和存储量将成指数增长而使其难以应用。因此，本文提出一种新模型，它是由ＨＭＭ与一个能描述语音信号时间相依性的多维高斯密度函数相结合构成的。本文从理论上论证了新模型的合理性。对汉语不计声调的全部４０９个单音节的识别实验结果表明：新模型的识别率显     

能量匹配的MFS-HMM语音增强方法

针对基于梅尔频谱域隐马尔可夫模型(Mel Frequency Spectral domain Hidden Markov Model, MFS-HMM)的语音增强算法中存在训练集和测试集能量不匹配问题,本文提出了能量匹配的MFS HMM语音增强方法。该方法采用迭代的期望最大(Expectation Maximization, EM)法在线估计纯净语音和噪声的对数能量调整因子,并在线修正纯净语音和噪声的HMM参数,使得训练集和测试集能量相匹配,有效地解决了能量不匹配对增强语音质量影响的问题。主客观测试结果表明,本文所提方法优于参考算法。      

基于HMM的系统可靠性建模研究

传统的系统可靠性分析需要检测系统中所有元件的故障状态，并不适用予系统的定期维护和保养检查。隐马尔可夫模型(HMM)是一种双重随机过程，能够解决随机不确定问题。通过对系统关键点的检测，经过复杂的网络运算综合得到系统状态的检测参数，给出了实现检测的相关网络模型以及相应的算法。