一种高精度改进型SHR基音检测算法

利用正弦语音模型中浊音存在的谐波与子谐波,在SHR(subharninctoharmonicratio)算法的基础上,提出了一种改进型高精度基音检测算法ISHR(improvingsubharninctoharmonicratio)。根据幅度调制和频率调制在语音分析中的特性、频域中幅度值和自相关频率比值,该方法采用基于正弦模型的均方误差对语音进行检测,提取出准确基音。仿真结果表明此种算法在基音提取中具有高精度及高可靠性。     

基于EQPSO-GS优化SVM的入侵检测模型研究

支持向量机(Support Vector Machine,SVM)的惩罚因子C和核参数σ影响模型分类精度和泛化性能。传统进化算法优化支持向量机时主要存在早熟收敛、优收敛速度慢、收敛精度低以及泛化性能不高等问题。针对这些问题,将精英策略与量子粒子群算法融合,提出了精英量子粒子群算法(Elite Quantum Particle Swarm Optimization Algorithm,EQPSO),既提高了种群收敛速度,也一定程度上避免了算法局部收敛,凭借其全局探索能力初探参数范围,并通过网格搜索算法(Grid Search Algorithm,GS)提高开发能力做进一步的优化,将优化好的SVM模型用于入侵检测。利用入侵检测数据集UNSW-NB15对传统的进化算法优化支持向量机模型进行仿真实验,通过交叉验证对比EQPSO-GS-SVM、QPSO-SVM、PSO-SVM、DE-SVM模型,得出EQPSOGS优化的SVM模型具有更好的泛化性能。     

基于幅度压缩滤波的清浊音分类及基音估计

该文针对传统算法在实环境(不同噪声类型和信噪比)下容易发生清浊误判和基音估计错误问题,提出一种基于幅度压缩基音估计滤波(PEFAC)的清浊音分类及基音估计方法。首先,通过PEFAC削弱语音的低频噪声,提取出基音谐波;然后,采用基于对称平均幅度和函数的脉冲序列加权算法(SIM)确定谐波数目;最后,利用动态规划估计出基音,用基于3元素特征矢量的高斯混合模型对清浊音进行分类。仿真结果表明,在实环境下,所提方法能有效抑制清浊误判及基音估计错误现象的发生,性能优于传统方法。     

改进帝王蝶算法在工业入侵检测技术中的应用

针对神经网络训练时容易陷入局部最优的问题,提出一种基于工业入侵检测模型的帝王蝶优化算法。利用帝王蝶算法(monarch butterfl y optimization, MBO)和狮群进化算法(lion pride optimization, LPO)的全局寻优和局部寻优提高网络参数的求解质量,从而提高入侵检测结果的准确率。实验在工业控制系统标准数据集进行评估,结果表明模型符合工业入侵检测标准,与其它流行算法相比较,优化后的工业入侵检测技术具有较高的检测精度和较快的收敛速度。     

重构分数低阶协方差的子空间拟合测向算法

基于重构的分数低阶矩阵,提出了重构分数低阶协方差的多重信号分类测向算法和信号子空间拟合测向算法.为了快速求解所提出的测向算法,设计了一种可进行多维搜索的自适应差分粒子群优化算法.利用粒子群算法和差分进化算法的优点,可以获得测向问题的全局最优解.Monte-Carlo仿真证明了所提测向算法可有效分辨相干源,并且其检测性能优于已有的一些经典算法.     

基于DCT分带谱熵与信号分解的高精度基音检测算法

本文就低速率WI语音编码中的基音检测技术进行研究,针对基音检测在不同噪声与信噪比下容易发生清浊误判的问题,在基音检测前端引入基于DCT分带谱熵的语音检测算法划分语音段与非语音段;为了向基音检测算法提供更能准确反映基音周期实际变化的输入语音,基于谐波-噪声模型提出了一种改进的DCT域语音分解算法.然后,根据变形的MCAMDF(Modified Circular Average Magnitude Difference Function)与NCCF(Normalized Cross-Correlation Function)的峰值共性,结合上述两项基音检测前端处理技术,提出了MCAMDF-NCCF基音检测组合算法.为了满足不同环境下WI编码器对基音检测高精度的要求,在合成端更准确地恢复相位轨迹,本文又基于MCAMDF-NCCF算法提出了高精度MCAMDF-NCCF-FRAC基音检测算法以计算分数基音.将算法应用与2kb/s WI编码器,主观A/B听力测试结果表明,本文提出的基音检测算法在低信噪比下明显抑制了基音加倍减半及清浊误判现象的发生,得到了优异的基音检测结果,合成语音质量完全满足低速率WI编码器对基音检测技术的要求.     

基于云平台的在线服务性产品任务流分配设计与研究

针对云计算环境下满足用户服务质量(QoS)约束条件的在线服务性产品任务流分配问题,提出一种基于QoS约束的差分进化算法(QoS-DE算法),以便实现多目标优化全局最优问题。该算法首先构建了云计算环境下的QoS模型,并对在线服务性产品的工作流分配约束指标进行了分析。然后利用差分进化算法实现约束条件下的计算资源多目标优化模型求解,并通过自适应的惯性权重调节,提高了全局优化能力。CloudSim云仿真平台上的测试结果表明,相比经典Min-Min算法和QoS-GA算法,提出的QoS-DE算法能够将任务合理分配到对应的节点,并在执行时间、执行费用等指标方面上表现出更好的性能。     

基于混合变异差分进化算法的均匀面阵稀疏优化

差分进化算法(DE)已被广泛应用于解决稀疏面阵优化问题,针对DE 算法早熟、全局搜索能力差、容易陷于局部最优的问题,提出一种混合变异差分进化算法,通过加入概率因子来平衡算法收敛速度与全局搜索能力,以阵列孔径、阵元数量以及阵元间距为约束条件,将算法中的实数编码转化为二进制编码,以方向图平面峰值旁瓣电平之和最低为目标函数,通过优化后得到的阵元分布,得到稀疏优化阵列的三维方向图。仿真结果表明:该方法在满足约束条件的同时,能够避免算法早熟得到较优的目标函数值,概率因子为算法提供了额外的自由度。     

基于隐式空间映射算法的双频带滤波器设计

将差分进化算法用于隐式空间映射(ISM)的参数提取中,并对差分进化算法中的种群更新和交叉概率因子进行了改进,可以有效解决参数提取过程中算法的假收敛及收敛速度过慢的问题,改进了隐式空间映射算法中粗糙模型(CM)与精细模型(FM)之间的参数映射的相关性,迭代次数明显减少。通过设计一个微带双频带滤波器对该算法进行了验证,该双频带滤波器的中心频率分别为2.45GHz和5.25GHz,其粗糙模型和精确模型分别在Agilent ADS和Ansoft HFSS中进行计算分析。由结果可知,在精细模型中的仿真次数明显减少,有效地提高了滤波器的设计效率。     

一种BP-IA数字调制方式识别方法

为提高数字调制方式的识别速度和准确率,提出一种基于免疫算法(IA)的反向后传(BP)神经网络数字调制方式识别算法。首先对信号的特征进行分析和提取,其次利用具有全局搜索能力的免疫算法优化BP神经网络的权重及阈值,最后利用Levenberg-Marquardt算法训练BP网络。文中不仅给出了详细的算法分析,同时进行了仿真实验。实验结果表明,所提方法的收敛速度明显优于传统的BP算法和遗传算法,在信噪比大于-2 dB时,所提方法的平均识别准确率也优于传统的BP算法和遗传算法。所提免疫优化算法在训练多层前向神经网络时可有效地避免BP算法易陷入局部极小,且算法收敛速度快,具有精确的全局寻优性能,进而提高了数字调制方式的识别准确率。