基于时频感知神经网络的语音频带扩展

为了进一步提高基于深度学习的语音频带扩展性能,提出了一种基于编解码器的神经网络结构,编码器对数据进行深度特征提取,解码器进行宽带语音重构,并在编解码器中间设计了局部敏感哈希自注意力层,用于增强模型对深度特征的有效选择。编解码器内部使用了时间卷积网络,有效提升了模型对语音时序数据上下文依赖关系的学习能力。为了促进模型朝更加准确的方向训练,还提出了一种时频感知损失函数,有利于模型在时域、频域以及感知域获取窄带语音到宽带语音的最优映射解。通过主观和客观实验结果表明,该方法优于传统方法和近几年基于深度神经网络的语音频带扩展方法。      

高校校企联合实验室建设与发展对策研究

依托企业培养工程创新人才是经济发达国家科技与社会生产结合的成熟经验.文章通过对国外联合实验室经验总结和我国联合实验室的建设现状分析,指出了国内校企联合实验室存在的问题,并提出了高校建设联合实验室的发展对策.     

两扬声器配置下的串声消除系统参数优化设置

针对三维声音两扬声器重放中基本上独立研究逆滤波器的设计或扬声器的配置等因素对串声消除系统（CCS）性能的影响,提出了采用频域最小均方（LS）估计逼近方法,系统考察这些因素之间的关联以及对串声消除性能优化的作用,并通过折中考虑CCS的运算效率及系统性能获得了一组最优参数。实验采用通道分离度（CS）和性能误差（PE）两个指标对串声消除效果进行综合评价,仿真结果表明,该组最优参数能获得很好的串声消除效果。     

基于DHMM的低心率变异性心音的分割方法

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法。首先,通过集合经验模态分解（Ensemble empirical mode decomposition,EEMD）使用有效的本征模态函数（Intrinsic mode function,IMF）分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型（Gaussian mixture model,GMM）;接着,优化隐马尔可夫模型（Hidden Markov model, HMM）并建立基于时间相关性的隐马尔可夫模型（Duration-dependent hidden Markov model,DHMM）,更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s₁,收缩期,s₂和舒张期。将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型（Logistic regression hidden semi-Markov model,LRHSMM）算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优。     

基于神经网络基础上的两种系统安全综合评价方法

从工业企业生产发展的特点出发,在界定安全评价概念的基础上，从系统论的角度简要介绍了运用三层BP神经网络技术进行安全综合评价的方法和安全模糊综合评价方法。通过对这两种较为流行的安全评价方法进行分析，指出了传统评价方法的不合理性，辨证说明了这两种评价方法的优越性。     

融合注意力机制的SimNet声音事件定位与检测算法

基于深度学习的声音事件定位与检测网络存在输入特征的关键信息丢失的问题,导致声音事件定位与检测更加困难,提出了一种基于注意力机制的简单无参数网络模型(simple and parameter-free network, SimNet)。首先在残差块后引入简单无参注意力模块(simple and parameter-free attention module, SimAM),通过能量函数帮助网络聚焦特征图中各神经元的深度特征,以此增强模型对更丰富的特征信息的辨别能力。此外为促进模型朝更精准的方向训练,还采用了一种均方根绝对误差(root mean square absolute error, RMSAE)损失函数,有助于模型准确搜索更全面的空间信息。实验结果表明,在TAU-NIGENS Spatial Sound Events 2021数据集中,提出的网络算法相比原基线网络性能有较大程度的提升,错误率(error rate, ER)和定位误差(localization error, LE)降低到0.394和12.03°,F1分数(F1-score)和定位召回(localization re...     

基于神经网络的模拟电路故障诊断研究

针对模拟电路,提出一种基于神经网络的故障诊断方法.通过故障字典的建立,选择电路的最佳测试节点,电路故障响应进行预处理后得到故障特征向量,再输入到神经网络实现电路故障诊断.仿真结果表明:该方法有效地解决了模拟电路辨识难的问题,具有更好的故障分辨率,取得了满意的诊断效果.     

基于离散余弦变换的数字水印算法研究

根据奇异值分解（SVD）和离散余弦变换（DCT）的特性,给出了一种新的基于DCT与SVD的数字图像水印算法。实验结果表明,该水印算法不但有较好的鲁棒性,而且安全性高、不可见性好。     

融合注意力机制的CS-BiLSTM深度回声消除算法

在全双工通信系统中,声学回声会降低用户的体验,针对在双向通话场景下自适应滤波算法消除声学回声效果不理想以及非线性声学回声难以消除的问题,提出一种注意力机制与BiLSTM网络相结合的CS-BiLSTM深度声学回声消除算法。首先通过构建BiLSTM网络提取语音的时序特征,之后引入通道和空间注意力机制提取回声信号的空间特征信息,并融合均方根误差与平均绝对误差提出一种新的损失函数,提高模型的鲁棒性。改进后的CS-BiLSTM网络模型能够获得清晰的语音信号,具有更好的回声消除性能。仿真结果表明,在非线性回声和双向通话环境下,与其他几种参考算法相比,所提出的CS-BiLSTM算法在感知语音质量评价方面明显优于其他算法,更有效地实现了回声消除,此外,该算法结构简单且模型参数量更少。