PSO-BP神经网络在语音干扰效果评估中的应用

为了克服BP神经网络在连续语音数据干扰效果评估过程中存在的弊端缺陷,提出一种利用粒子群优化算法神经网络的客观语音干扰效果评估方法。该方法利用Mel倒谱技术提取所得的连续语音数据特征参数作为模型输入,再通过粒子群优化对BP神经网络的初始权系进行多点优化,建立了粒子群算法优化的BP神经网络模型,通过优化后的神经网络模型实现输入值到对应主观评价MOS证,对比表明,粒子群算法优化后的BP神经网络模型,其收敛速度较传统BP在4%以内,模型相关系数和标准差更加接近理想参数。     

基于Mel尺度的语音干扰效果评估方法研究

实际的干扰效果评估和传统的语音质量评估有一定区别。干扰评估系统中同步环节需要考虑;在干扰系统中,强干扰信号会破坏语音信号本身的结构信息,使其评估变得更加困难。针对超短波通信干扰系统,结合Mel尺度在人耳听觉感知上的优点和统计特征在强干扰下具有的顽健性特点,提出新的基于Mel尺度的统计测度,获得了良好的性能。结合最小二乘、BP神经网络以及SVR拟合回归模型等,其主观预测值和实际主观评测值之间的相关系数可以达到0.9以上,保障了该方法在实际干扰评估系统中的实用性。     

BP神经网络在电子战效能评估中的应用

利用BP神经网络算法对电子对抗干扰效果进行评估,根据干扰效果评定的诸因素的隶属函数确定其隶属度,以此作为神经网络输入层数据.然后,根据选定的训练样本对所构造的三层BP神经网络进行训练,再运用几组典型干扰对抗效果实验数据对该BP神经网络性能进行检验.结果表明BP网络已经训练好,用此BP神经网络评估电子对抗干扰效果是合理的,该方法减少了评估中的人为因素,使得评估结果更为可信.     

通信语音干扰效果评估方法

通信语音干扰效果评估,是指对语音通信系统接收的受扰语音信号进行分析,确定语音信号被干扰程度的技术。准确地评估干扰效果是研制通信对抗设备、评估电子对抗态势以及了解通信质量等活动的重要依据。针对超短波通信干扰系统,提出了基于梅尔频率倒谱系数(MFCC)特征、小波统计特征和感知特征的统计测度,结合最小二乘、反向传播(BP)神经网络以及支持向量回归(SVR)拟合回归模型的评估系统,其预测值和主观评估值的相关系数达到0.9以上,保障了该干扰评估系统的实用性。研究了基于深度学习的无参考评估方法,并利用实测数据验证了其有效性,准确率达到了87%,高于多测度融合评估方法。     

BP网络在语音干扰效果客观评估方法优化中的应用

语音干扰效果评估是当前声学技术研究领域的一个重要课题。在介绍语音干扰效果评估一般方法的基础上,首先利用最小二乘法建立了基于巴克谱测度的语音干扰效果评估模板,通过对该模板进行主、客观分析,引入了BP网络建模方法,大大减小了以往的最小二乘法在语音干扰效果客观评估的建模中的误差,确立了基于BP神经网络的语音干扰效果评估模型,并通过试验数据加以验证。     

语音干扰效果客观评估模板优化分析

语音通信质量客观评估方法是当前声学技术研究领域的一个重要课题,在介绍语音音质评估一般方法的基础上,首先利用最小二乘法建立了基于巴克谱测度的语音通信质量评估模板,通过对该模板进行主、客观分析,引入了BP网络建模方法,大大减小了以往的最小二乘法在语音干扰效果客观评估建模中的误差,确立了基于BP神经网络的语音干扰效果评估模型,并通过实验数据加以验证.     

基于BP神经网络的红外测温系统温度标定方法

介绍了红外测温系统温度标定方法和BP算法神经网络,将BP算法神经网络应用于温度标定物理实验中的灰度与温度的特性曲线拟合,并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合实验曲线的优越性,其拟合精度远高于最小二乘拟合,为测温数据的软件处理提供了新的方法。     

线性神经网络在语音干扰效果评估中的应用

客观干扰效果评估方法研究是进行语音干扰效果评估方法研究的一个主要方向,在系统介绍线性神经网络结构、功能的基础上,具体分析了带延迟线的线性神经网络的信号预测能力.并对语音信号进行了预测,得到利用线性神经网络预测误差进行语音干扰效果评估的方法,给出了该方法的具体运算步骤,并通过一组数据验证了该参数的一致性.     

基于调节优化BP神经网络的高校教学管理评估研究

为了提高高校教学管理评估的有效性与智能性,将粒子群优化BP神经网络算法运用于高校教学管理评估数据的分析。采用BP神经网络对教学管理评估指标进行建模,然后采用粒子群对神经网络传递函数的权重和阈值进行深入优化,保证BP神经网络的输出能取得全局最优解。经过实验证明,所提算法对高校教学管理评估对象的预估值与实际值拟合性好,有较强的推广价值。     

基于改进的蛙跳算法的神经网络在语音情感识别中的研究

本文提出了一种改进的混合蛙跳算法,利用混沌运动的遍历性改善初始个体的质量和引入高斯变异,提高了算法的全局搜索能力,同时将改进算法与人工神经网络结合,并把它应用到语音情感识别系统中.依据情感的维度空间模型.分别提取了情感语音的韵律特征与音质特征,研究了谐波噪声比特征随情感类别的变化特性.利用本文所提的蛙跳算法(SFLA)训练随机产生的初始数据,优化神经网络的连接权值,能快速地实现网络的收敛.在实验中比较了BP神经网络、RBF神经网络与改进SFLA神经网络分别用于语音情感以别的识别性能,结果表明基于改进SFLA的神经网络的平均识别率高于BP神经网络9.2个百分点,高于RBF神经网络7.9个百分点.因此本文所提的蛙跳神经网络用于语音情感识别能获得明显的识别性能的提升.     

采用BP神经网络的智能抗干扰决策引擎研究

在认知抗干扰通信系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。现有的抗干扰通信系统的智能决策多采用遗传算法、人工蜂群算法等,面对日益复杂的电磁环境,通常这些算法不具有对新干扰的泛化能力。BP神经网络算法简单、具有一定的容错能力和泛化能力,本文设计并分析了一种基于BP神经网络的抗干扰实时决策引擎模型,根据系统性能设计了输入输出数据的预处理方式和判别标准,阐述了决策实现步骤,分析了算法参数;通过系统性能仿真,验证了文中提出的实时决策引擎的强抗干扰性能。与采用遗传算法和人工蜂群算法的决策引擎相比,本文提出的决策引擎决策速度更快且具有泛化能力和容错能力。      

基于特征融合的通信语音干扰效果客观评估

针对通信语音干扰效果客观评估问题，提出了基于多测度与多模态融合的2种评估方法。首先，利用端点检测算法以及动态时间弯折算法对受扰语音数据进行预处理。然后，提取数据中的语音内容并与标准语音进行测度计算得到5种测度，将5种测度融合后利用随机森林模型进行质量等级评估。最后，结合多模态融合技术，设计了基于残差结构的神经网络模型，融合受扰语音数据的图域、测度域特征并进行质量等级评估。实验结果表明，2种方法的评估准确率均达到了90%以上。其中，多模态评估方法与现有的研究方法相比，准确率提升了约3.269%，证明所提方法具有更优的性能。     

基于BP神经网络的GSM-R抗同频干扰方法研究

在GSM-R通信网络中,同频干扰是影响通信质量的一个因素。由于被训练的BP神经网络可以不断校正误差,使输出误差不断减小。为解决GSM-R同频干扰问题,提出了用BP神经网络及其算法对GSM-R通信信号进行校正,通过构建GSM-R通信系统和BP神经网络系统的模型,阐述了GSM-R通信系统抗同频干扰的原理,并对GSM-R进行了数据采集和仿真。     

基于BP人工神经网络的GPS高程异常拟合方法研究

近几年来在GPS水准高程拟合方法的研究成果的基础上,对基于BP人工神经网络的GPS高程异常拟合方法进行了研究.利用实际工程数据,对BP网络模型和BP神经网络组合算法进行了试验研究,通过比较分析,给出了拟合模型的精度评价.     

基于正弦谐波模型和BP神经网络的语音变换算法及实现

提出利用语音的正弦谐波模型和BP神经网络实现语音变换算法.提取语音的基音频率,进行高斯建模和变换,实现说话人韵律特征的变换.提取语音的巴克域倒谱参数,作为说话人的频谱特征,送入BP神经网络进行训练,利用训练好的BP网络实现频谱特征的变换.给出了变换实现的系统框图,进行了仿真实验,利用ABX测试对实验结果进行了评测.测试结果表明文中所述算法,较好地实现了语音变换.     

一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用

针对现有双通道语音活动检测(Voice Activity Detection, VAD)算法依赖于固定阈值难以在多种噪声环境下准确地检测语音和噪声,应用于手机消噪系统会造成语音失真或噪声消除不好等问题,该文提出一种基于神经网络的VAD算法,该算法以分频带能量差和归一化互通道相关为特征,采用神经网络对语音和噪声进行分类。在此基础上,将神经网络VAD与基于互通道信号功率比值的VAD相结合,提出一种新的适用于手机消噪系统的语音和噪声活动检测算法分别对语音和噪声进行检测,并以此进行噪声抑制处理,减少了消噪系统因VAD误判而造成的性能下降。实验结果表明,该处理方法在抑制背景噪声和减少语音失真等方面优于现有的消噪算法,对于方向性语音干扰也有很好的抑制效果。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

语音信号增强系统设计与仿真

在信号处理中语音增强是一个重要分支,针对语音信号不得不在噪声和干扰环境下通信的现状,采用自适应滤波算法设计了语音信号噪声和干扰抑制系统,首先对LMS算法进行了推导,并且对噪声和干扰环境下的自适应滤波器性能进行了仿真分析,仿真结果表明:该设计抑制干扰和噪声的性能较好,对语音信号的增强明显,为该系统在硬件上实现提供了理论基础。     

一种改进的BP神经网络算法

针对传统BP神经网络存在学习率设置不当与深度神经网络过拟合导致准确率不高的问题,提出改进的BP神经网络算法。该算法引入了drop-out机制来防止神经网络过拟合,并针对学习率设置不当的问题,将用指数衰减学习率代替传统BP神经网络中固定学习率。实验结果表明,改进后的BP神经网络相较于传统BP神经网络有效地提高了3.06%的测试准确率。     

一种新的基于数据场的语音增强算法

语音增强是消除噪声干扰的主要手段,在语音处理系统中得到广泛应用。传统语音增强算法认为相邻帧语音幅度谱之间是相互独立的,而研究表明语音幅度谱时频点之间存在相互依赖关系。缺乏对邻域时频结构信息的利用使得传统增强算法的性能难以进一步提高。本文首次将数据场引入到对语音的听觉感知领域,用数据场对语音的时频依赖性进行建模,提出一种新的基于数据场的语音增强算法。该算法通过最小化势场分布的熵确定了时频点之间的相互作用力程,在带噪语音数据场中估计噪声的最小统计量得到二值时频掩蔽值,最后利用二值时频掩蔽消除噪声干扰。实验测试表明,与Martin算法相比,基于数据场的语音增强算法在提高去噪效果的同时能有效减少语音的失真。