一种基于频谱特征的语音信号识别方法及硬件实现

在客观实验中运用短时分析技术，着重研究语音信号的频谱特征，并采用硬件方式实现对语音信号的识别，得到如下结论：基于频谱特征的模型对纯语音信号能保留语音自然度95％以上，对纯噪声信号能压缩噪声95％以上。     

基于相位声码器法的音乐信号正弦分量检测

设计和实现一种基于相位声码器的音乐信号正弦分量检测方法,该方法将STFT等效为一组均匀滤波器,将各正弦分量分离,并由各通道输出的相位变化率估计正弦分量的瞬时频率,然后通过寻找STFT通道中心频率与瞬时频率映射的定点进行正弦分量检测;同时,针对原始相位声码器的缺点,设计了一个多采样率、非均匀滤波器组对其进行改进。实验结果表明,该方法具有良好的瞬时频率跟踪性能,可作为音乐信号多音高估计的分析前端。     

基于小波变换的故障信号分析与检测

讨论了小波变换及其基本性质，探讨基于小波变换模最大值沿尺度演变的信号突变检测的基本原理与方法，在不同尺度上分析和处理信号的各种频率分量，使信号的奇点，突变点放大，提高信号的分辨率，信噪比。研究小波分析在机械工程信号处理中的应用，提出通过二进小波变换检测信号奇异点的实用技术。利用介绍的模极大值多尺度小波变换的方法，较有效地检测出滚动轴承故障发生的起始点，对在线故障诊断进行了有益的探索。     

基于STFT的无线电频谱信号的多域分析

将短时傅里叶变换的分析方法应用于无线电频谱监测系统中,与传统的分析方法比较,突出时频分析的多维分析特性,能够很好的分析出信号频率随时间变化的情况,提高频谱监测效率.     

采用时频分析方法进行多目标信号的分辨

对雷达多目标回波信号进行了分析，针对采用传统时域、频域分析方法不能正确全面地反映信号细节信息特点，针对试验获取的含有多目标信息的真实数据，采用魏格纳-维尔分布、短时傅里叶变换、小波变换等时频分析的方法对这砦数据进行了多目标分辨的时频分析和仿真比较，找到适合工程实现的多同标分辨时频方法，并给出了实测信号的时频仿真结果。     

基于短时傅里叶变换及奇异值特征提取的目标识别方法

本文研究了短时傅时叶变换后再提取奇异值作为特征矢量的特征提取方法，并对提取出的特征利用神经网络进行了识别。从理论上证明了该方法的合理性，说明该方法是一种良好的特征提取方法，通过计算距离可分性测度结果得出该方法提取的特征比一般傅里叶变换法提取的特征具有更好的可分性。利用此方法提取出的目标特征及傅里叶变换后再提取奇异值的特征抽取方法可以获得更好的识别结果。     

基于傅里叶变换的双音多频信号识别实验设计

傅里叶变换是建立信号时间域与频率域之间的一种变换关系。针对傅里叶变换的学习难点,分析了不同类型信号的傅里叶变换关系。结合工程应用,设计了电话拨号的双音多频音频信号按键识别综合实验,通过信号分段、滤波处理和快速傅里叶变换算法提取信号的特征频率,实现了双音多频音频信号的按键号码识别功能。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法.首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征...     

基于混合时-频分布的信号检测与瞬时频率估计

提出了一种基于分数阶线性及分数阶非线性时-频分布混合法,该方法将分数阶维格拉分布与加窗分数阶短时傅里叶变换相结合,在适当的分数阶时-频域进行信号检测与瞬时频率的估计.对于多分量信号,该方法能够有效地消除交叉项,同时提高自项的时-频分辨率.在对线性调频信号检测与瞬时频率估计应用中,计算机仿真表明该方法是有效的,具有良好的工程应用前景.     

结合频谱移位的二维傅里叶变换FPGA实现

在三维成像技术中,对图像进行傅里叶变换之后需要通过频谱移位将零频集中到中心位置。为了提高图像处理的运算速度,提出了一种结合频谱移位的二维傅里叶变换的FPGA实现方法,将频谱移位结合到二维傅里叶变换硬件系统中,在实现图像二维傅里叶变换的同时也完成了一半的频谱移位。采用ALTERA 系列EP4CE115F29C7芯片,针对256*256的图像实现设计,最高工作频率分别达到84.2MHZ;资源消耗为3849个LE。采用SignalTap II Logic Analyzer工具实时验证了模块的正确性。     

基于短时傅里叶变换的无人机射频指纹分类识别

近年来,无人机“黑飞”事件常有发生,对低空空域的安全及部分场所的安全保密带来了极大的隐患。为加强对空域无人机的识别管理,提出了一种基于短时傅里叶变换的无人机识别方法。首先对无人机遥控器射频信号进行短时傅里叶变换得到射频信号的时频谱;其次通过分析时频谱,得到能量轨迹,获取能量瞬态并提取能量瞬态特征;最后采用K-近邻算法对提取的能量瞬态特征进行分类识别,并分析比较不同分类算法的性能。分析结果表明,所提方法的识别率可达到98.19%。     

一种基于短时傅里叶变换的罗兰C信号频谱分析方法

当前对罗兰 C 信号的频谱分析基本上采用的是基于傅里叶变换法的频谱分析方法, 此类方法无法实现对信号频谱的实时监测。采用短时傅里叶变换法(STFT)对不同信干比、天波幅度和时延条件影响下的罗兰 C 信号进行理论建模与仿真,并建立信号的时频数据库。通过对罗兰 C 信号的 STFT 分析,并与时频数据库进行谱峰比对,可有效解决实时性要求较高的天地波识别与天波时延测量问题。     

基于ADPCM的数字语音存储与回放系统

系统以单片机和FPGA为控制核心,实现了语音存储与回放系统。能够采集模拟语音信号以及耳机立体声信号,以ADPCM（自适应差分编码）的方式提高了存储器的利用率,语音存储时间可达2 min;基于短时傅里叶变换原理,实现了语音信号的频谱分析与实时显示。同时,利用立体声音频功放播放语音,每声道音量可调并具有静噪功能。此外,系统还采用预加重、去加重、抗混叠滤波等措施,有效地提高了信噪比。语音回放质量良好,存储时间较长。     

一种基于小波脊时频分析的差分跳频信号检测方法

针对差分跳频信号频带宽、跳速快、检测难的问题,在分析比较短时傅里叶变换(STFT)的基础之上,提出一种通过提取小波脊进行时频分析和参数估计的信号检测方法。该方法的检测效果明显优于短时傅里叶变换,当信噪比大于-7 dB时,在不要求高采样率的情况下,对于差分跳频信号的参数估计是有效的。     

基于特征匹配的水下目标检测与识别

针对水下特殊环境的目标检测与识别,提出一种基于霍夫变换与几何特征相结合的特征匹配算法。通过对Canny边缘检测和迭代阈值分割的有机融合,实现了对图像的后处理式联合分割,有效地减小了光照不均等噪声干扰对目标提取的影响。通过霍夫变换直线匹配和几何特征匹配算法对规则的几何目标进行识别,具有较好的抗旋转和抗缩放性能。实验结果表明了该算法的准确性和稳定性。     

基于FPGA的信号频谱分析系统

利用FPGA实现了信号的采集与频谱分析系统,对系统进行了模块划分,并分别给出了各模块的设计要点,完成了模拟信号采集模块、快速傅里叶变换模块、存储模块以及VGA显示模块的设计。最后对设计的各模块进行了功能与时序仿真,验证了系统设计的正确性与可靠性。试验表明,该设计可以实现信号的采集、频谱分析与显示等功能,系统稳定可靠。     

基于短时Fourier变换和Gabor变换的SAR运动目标检测

本文针对机载合成孔径雷达（SAR）运动目标回波信号的特点,提出了基于短时Fourier变换和Gabor变换的机载SAR运动目标检测方法。与常用的Wigner-Ville分布相比,在多目标存在的情况下,Wigner-Ville分布不但受到交叉项的影响,而且由于多普勒模糊引起的“折叠”现象严重影响了Radon变换的性能;而新算法中应用的短时Fourier变换、Gabor变换无交叉项的影响,其多普勒不模糊范围也比Wigner-Ville分布大一倍,再与Radon变换相结合具有很好的性能。仿真实验的结果证明了算法的有效性。     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于遥控信号频谱特征的无人机识别算法

近年来,无人机"黑飞"事件与非法入侵的案例开始激增,现有的识别技术往往难以实时、准确地检测到非法无人机,为此提出了一种基于遥控信号频谱特征的无人机识别算法。该算法通过背景频谱模板学习(利用二次平均的方法求信号检测阈值,并屏蔽宽带信号对无人机遥控信号检测的干扰)、无人机跳频与定频遥控信号检测、机型判断及其特征参数学习三大模块来识别非法入侵的无人机。实验结果表明,该算法可以实现对常见无人机实时准确地识别,且鲁棒性较强。     

基于微多普勒信号分离和SqueezeNet的人体身份识别

针对基于雷达传感器的人体身份识别问题,本文提出一种基于微多普勒信号分离和SqueezeNet的人体身份识别方法。首先利用雷达对人体行走的步态进行探测并收集回波数据,回波数据经过预处理得到微多普勒时频谱图;其次用阈值法对时频谱图进行微多普勒信号分离从而得到四肢的时频谱图;最后将其输入到SqueezeNet网络,采用Softmax分类器来实现人体身份识别。实验结果表明,经过微多普勒信号分离后人体身份识别准确率提高5.25%, SqueezeNet网络与其他网络相比,在网络性能上具有准确率高、网络参数少、测试时间短等优势。