小波变换在结构损伤识别特征提取中的应用

小波变换用来进行特征提取是近年来模式识别领域中较新的一个研究方向。不同于传统的特征提耿方法，它借助信号处理领域常用的小波变换这一数学工具，对特征库进行再次加工，经过去粗取精而得到更利于分类的新的信息。针对结构损伤识别特征提取的特点，发展了小波变换对基本特征库进行分频段处理的双谱相辅分析技术，并开发了相应的软件系统，通过算例表明，该方法可以达到降低噪声，凸显结构损伤信息的目的。     

卷积神经网络在语音情感识别中的应用研究

随着人工智能发展,语音情感识别技术的应用范围越来越广。该文以语音情感识别为出发点,介绍了语音信号特征提取方法和语音情感分类模型训练过程中中权值和参数更新的算法,并在tensorflow框架中进行试验设计和试验,通过试验分析激活函数、中间层层数、训练轮次对模型训练结果的影响。试验结果表明,当训练轮次为1 000轮、中间层层数为6个且激活函数选择elu时判定准确率较高。     

小波变换在密集模态结构参数识别中的应用

系统研究了小波变换在具有低频密集模态的土木工程结构参数识别中的应用。采用Morlet小波，首先阐述了该方法识别模态频率和模态阻尼比的基本原理；分析了其时间和频率分辨率，针对土木工程结构中低频模态密集的情况，提出了选择小波参数的具体方法。通过三自由度结构的数值分析验证了该方法的正确性和优越性。     

S变换在水下目标分类识别中的应用

目标特征提取是目标识别的重要部分。介绍了一种较新的时频分析方法——S变换,对莱蒙湖底四类沉积物的反射回波进行S变换,并提出了提取变换后以频谱图的时间能量谱和奇异值为特征的特征提取方法,分析了四类回波的时间能量谱和奇异值特征的差异,并进一步用距离可分性测度检验了所提取的特征性能。最后利用最近邻分类器分类,仿真结果显示,该特征提取方法是一种有效的、稳定的特征提取方法,将在水下目标识别领域有更多的应用。     

双微阵列语音增强算法在说话人识别中的应用

针对复杂噪声环境下识别性能显著降低的问题,提出一种用于说话人识别系统前端的双微阵列语音增强算法。该算法采用的是相干滤波和频域宽带最小方差无畸变响应波束形成器后置结合改进的维纳滤波器。其基本原理是首先求出双微麦克风阵列信号中两个相邻通道间的相干函数,再利用通道间信号的相干性来进行初始噪声抑制。其次,通过一个频域宽带最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)波束形成器保留目标声源方向的信号并抑制其他方向的信号干扰,再通过改进的维纳滤波器去除噪声残留提升语音质量。最后,使用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)和伽马通滤波器组频率倒谱系数(Gammatone Filter-bank Frequency Cepstral Coefficients,GFCC)对增强后的语音信号做特征参数提取并进行说话人识别。仿真过程采用声学人工头模拟双耳采集数据,实验结果表明,该语音增强算法在复杂噪声环境下能够获得较好的增强效果,能有效提升说话人识别系统的识别率。     

基于统计与规则相结合的汉语计算语言模型及其在语音识别中的应用

把基于统计的语料概率统计方法与基于规则的自然语言理解方法结合起来，提出了一种新的汉语计算语言模型，并把该模型应用于语音识别后处理模块中，取得了较理想的结果。     

曲率模态和小波包变换在结构损伤识别中的应用

小波包变换相比传统的Fourier变换,对非平稳信号分析具有良好的特性.利用小波包变换的特性,根据曲率模态损伤检测原理提出了一种基于小波包组分能量变化率作为损伤指标的分析方法.通过一简支梁结构的数值模拟,表明该方法对于判定损伤存在和确定损伤位置是有效的.     

改进型最小均方算法的仿真比较及在语音提取中的应用

介绍噪声抵消的原理和从强背景噪声中自适应滤波提取有用信号的方法,并对基于Sigmoid函数的变步长LMS算法（SVSLMS）、基于箕舌线的变步长LMS算法和基于抽样函数的变步长LMS算法进行对比研究,并将这三种改进型变步长算法用于强背景噪声中语音信号的提取,使其能消除含噪语音信号中的背景噪声,达到提高语音信号质量的目的。计算机模拟仿真结果表明,这三种算法都能通过有效抑制各种干扰来提高强噪声背景中的语音信号的检测特性。相比之下,基于抽样函数的变步长算法具有良好的收敛性能,更小的权噪声,更大的抑噪能力。