基于HHT的宽带幅度非平稳调制信号的特征提取

宽带调制信号在调制源的工作状态产生变化时,信号的调制频率、调制深度随时间变化,传统解调制方法难以获取短时变化的调制特征。针对非平稳调制特点,利用Hilbert-Huang Transform（HHT）数据自适应特性和高分辨率的时频分析能力以及数学形态滤波器（MMF）对信号的降噪性能,提出了一种利用HHT提取宽带幅度调制信号的调制特征方法（MH_DEMON）。MH_DEMON中,检波信号经过MMF的预处理,HHT的经验模态分解（EMD）和Hilbert变换,提取目标瞬时调制频率。仿真数据和实际水声辐射噪声数据的实验分析表明,MH_DEMON能有效提取非平稳宽带幅度调制的特征,为目标调制源分类识别和运动状态分析提供了支持.      

基于希尔伯特黄变换的癫痫自动检测

希尔伯特黄变换是由经验模态分解和希尔伯特变换所组成的,在非线性、非稳态信号处理方面具有独特的优势。本文首先对脑电波信号进行模态分解,然后根据希尔伯特变换求得各本征模态函数的瞬时频率并依此计算出均值、方差及其核心频率区间等特征,并选取若干个本征模态函数的频率特征组成一个长的特征向量,称之为希尔伯特黄频率特征环。根据该特征向量,本文进一步采用支持向量机对癫痫和非癫痫脑电波信号进行学习和分类,并采用格点搜索的方法来选取支持向量机中的最优参数。通过在典型癫痫脑电波数据集上的5重交叉验证得出本文所提出的新方法在分类准确率上已经超越或接近现有的分类方法。      

基于梅尔频率倒谱系数的音频分类研究

梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)是一种符合人耳听觉特征,并与频率呈非线性对应关系的频谱特征,广泛应用在语音识别、音频特征分析等方面.对于目前广泛使用的通过单一特征进行音频分类的方法,存在分类准确度低、处理速度慢等方面的不足,提出了基于梅尔频率倒谱的音频分...     

基于EMD的海杂波特性与目标检测

非线性非平稳是海杂波的重要特性之一,希尔伯特-黄变换（HHT）是一种全新的非线性非平稳信号的分析方法。含有目标的雷达信号在希尔伯特-黄变换过程中经过经验模式分解（EMD）后,其趋势分量及部分固有模态函数分量与海杂波的具有明显的区别。利用这种区别,本文提出一种海杂波环境下的目标检测新方法——趋势检测法,通过实测海杂波计算验证,该方法能够明显改善淹没于海杂波中的慢速小目标检测能力。     

非平稳信号分析的广义解析模态分解方法

现有的非平稳信号分析方法都有各自不同的缺陷,短时傅里叶变换的时频分辨率受不确定性原理的限制,希尔伯特黄变换存在端点效应和模态混叠,易导致模糊的时频分布;解析模态分解只适合分析频率恒定的多分量信号;针对包含多个时变模态、特别是频谱重叠的非平稳信号,本文提出了一种新的信号分析方法———广义解析模态分解（Generalized Analytical Mode Decomposition,GAMD）．GAMD通过广义傅里叶变换将时变频率转换为频谱可分的,采用解析模态分解对其分解,再对得到的单分量信号进行逆广义傅里叶变换即可得到原始信号的分量．因此,GAMD非常适合分析时变的非平稳信号．通过仿真信号将GAMD与短时傅里叶变换和希尔伯特黄变换等方法进行了对比,结果表明GAMD方法的分解效果更精确,时频分辨率更高．     

基于希尔伯特边际谱和极限学习机的癫痫脑电信号分类

提出了一种基于希尔伯特边际谱和极限学习机相结合的癫痫脑电信号分类方法.首先将脑电信号进行经验模态分解,对前5个本征模态函数进行希尔伯特变换,得到其希尔伯特边际谱;然后将希尔伯特边际谱的Shannon熵、Renyi熵和Tsallis熵,以及5个不同频段节律信号的能量作为有效特征输入极限学习机进行分类.实验结果表明,本文方法对癫痫信号的分类准确率达到了99.8％,相比其它分类方法具有更高的检测精度和运算速度,对癫痫发作的实时检测具有潜在的应用价值.     

基于希尔伯特谱的瞬时频率滤波方法

含有色噪声的非平稳信号的滤波去噪一直是未能很好解决的问题,传统的傅立叶分析方法不适用于此类信号的分解及滤波,而小波域滤波效果也不理想.本文提出一种基于希尔伯特谱的瞬时频率滤波方法,并和经验模态分解滤波、基于经验模态分解的小波阀值滤波方法的信噪比进行比较.仿真实验结果表明基于希尔伯特谱的信号分解及滤波去噪方法具有更高的信噪比.     

水下目标特征提取中希尔伯特黄变换方法的应用

由于传统时频分析方法的水下目标特征提取受到一定的制约,为解决之一问题,采用希尔伯特黄变换的方法可进行水下目标特征的提取,结果说明,希尔伯特黄变换方法对于信号的时频特性具有较高的分辨能力,其比较适用于水声平稳信号的分析。     

基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

希尔伯特-黄变换在谐波和间谐波检测中的应用

提出了一种检测电力谐波和间谐波的方法。将Hilbert-Huang变换（Hilbert—Huang Transform,HHT）用于谐波检测中,应用该方法可以提取任意频次的谐波信号。首先,运用经验模态分解处理含谐波的信号,得到一组平稳的固有模态函数分量。然后,对每个固有模态函数分量进行希尔伯特变换,得到每个模态分量的瞬时幅值和瞬时频率,从而检测出各种分量的谐波和间谐波的参数。仿真研究表明该方法的可行性与有效性,并且可以准确地确定谐波的幅值、频率和时间。     

基于非线性动力学的乐器分类方法

本文基于非线性动力学理论,对不同乐器产生的音频时间序列进行了相空间重构,通过分析各类乐器的递归特性,提出了一个新的定量递归参数——密集度,它能够描述管乐器、弦乐器和键盘乐器在相空间中的差异,然后将密集度与传统的音色特征相结合,提出一种乐器分类方法,并将其应用于不同的分类模型.实验表明,本文所提的方法使三类乐器家族的分类准确率提高了4%～7%,单个乐器的分类准确率提高了3%左右.     

强干扰下非平稳跳频信号高分辨测试技术研究

为了提高对强电磁辐射干扰下的非平稳跳频信号检测性能,提出一种基于时频分析的非平稳跳频信号高分辨测试技术.采用短时傅立叶变换构建非平稳信号的时频分析模型,把信号划分成许多小的时间间隔,在时间轴连续滑动窗口上对信号进行固有模态分解,提取非平稳跳频信号的Hilbert谱特征,谱特征有效反映了信号的幅值在整个频率段上随频率的变化情况,从而找出信号中跳变的频率分量,实现信号高分辨测试.仿真结果表明,采用该方法在强干扰条件下进行信号测试,信号输出的分辨能力较强,准确检测概率较高,性能优于传统方法.     

基于Tucker分解的音频分类研究

提出一种利用Tucker分解获得鲁棒性较强的音频信号不同属性的特征,在高斯混合模型上测试音频信号分类性能的方法。音频信号经过预处理后,提取其不同类型特征集合,包括常规声学特征参数集合、听觉感知特征参数集合、心理声学特征参数集合;然后由三种特征集合构建三阶特征张量,通过Tucker分解得到每一类特征阶投影矩阵并进行主分量分析;最后使用包括音乐、语音、噪声3种类型的300条音频数据测试不同特征集合的分类效果,在此过程中使用了有监督学习的高斯混合模型作为分类器。实验中比较了不同特征集合使用高斯混合模型的分类正确率。实验结果表明,Tucker分解获得的特征集合实现了较好的分类,说明该方法性能优于传统特征集合。      

Music Genre Classification Using Spectral Analysis and Sparse Representation of the Signals

In this paper, we proposed a robust music genre classification method based on a sparse FFT based feature extraction method which extracted with discriminating power of spectral analysis of non-stationary audio signals, and the capability of sparse representation based classifiers. Feature extraction method combines two sets of features namely short-term features (extracted from windowed signals) and long-term features (extracted from combination of extracted short-time features). Experimental results demonstrate that the proposed feature extraction method leads to a sparse representation of audio signals. As a result, a significant reduction in the dimensionality of the signals is achieved. The extracted features are then fed into a sparse representation based classifier (SRC). Our experimental results on the GTZAN database demonstrate that the proposed method outperforms the other state of the art SRC approaches. Moreover, the computational efficiency of the proposed method is better than that of the other Compressive Sampling (CS)-based classifiers.     

基于最小距离的音频分类方法的研究

基于内容的音频分类是一个有趣并有重要意义的问题。音频分类技术包括音频特征抽取和分类器两个基本部分。如今,基于内容的音频自动分类技术已经有了很大的发展。然而,现有的基于内容的音频自动分类方法在分类的准确性、有效性和算法复杂度等诸多方面存在一定的不足,探索性能更佳的方法就成为了该领域的研究热点。提取了基于内容的音频分类所使用的音频特征,得到了基于帧的音频特征和基于片段的音频特征两个层次的特征,并提出了一种基于MFCC的简化的特征;选取了最小距离分类器中的最近邻分类器和K近邻分类器,对这几种典型的音频分类器进行研究,进行仿真实验,分析了实验结果;最后设计并仿真了经过改进的最小距离音频分类器,它的性能相对于原有的最近邻和K近邻分类器有一定的提高,并具有很低的系统复杂度和很短的分类时间。     

一种基于倒排索引的音频检索方法

传统的基于实例的音频检索算法采用顺序索引,检索时需遍历数据库并导致难以忍受的等待时间。针对传统的顺序的索引方法,该文提出基于倒排索引的音频检索算法。该方法首先利用多种音频特征构成的超向量,通过多层音频分割方法将连续音频流分割为特征数值波动幅度小的短时音频段;然后利用事先训练好的音频字典,将短时音频段序列转换为可以表征音频内容的音频字序列,并建立倒排索引;检索时,将用户提交的查询转换为音频字后利用倒排索引无须遍历数据库即可直接定位候选段落,并根据候选段落与查询的内容相似度大小对候选段落进行排序,将排好序的列表作为检索结果。仿真实验以匹配项排名、同类检索结果比例、定位准确性和检索用时4个方面作为评价指标,实验结果显示,该算法能够在平均1.101 s时间内实现92.58%的检索准确率。     

基于非平稳时间序列处理的雷达信号融合

本文提出一种基于非平稳时间序列处理的雷达信号融合方法,该方法利用时间序列对非平稳的目标雷达散射回波信号在频域进行建模预测,然后利用去卷积与子空间分析技术对两个子带雷达信号进行处理,最后融合成一个等效的宽带信号。仿真试验表明,本文所提出的方法可以提高目标成像分辨率,有利于目标的检测与识别。     

基于FFTNet-GAN的音频超分辨率方法研究

本文提出了一种基于FFTNet的生成对抗网络模型来实现极端音频超分辨率任务。生成器采用并行、非因果、Non-local运算的三路分裂求和FFTNet，此浅层模型速度快，精度高，能更好的提取时域音频的长期相关结构，以期望分辨率提取特征，提升重建性能；设计匹配性能的判别器，稳定适应生成对抗架构；融合基于频域的感知损失，与样本空间损失固定加权减少重建失真和提高感知质量。从主客观进行系统评价，本文方法都优于基线模型，从2x/4x/6x倍还原效果来看，模型具有极端的高频重建能力，有助于提高音频信号的时间分辨率。      

基于最小统计量和掩蔽效应的单通道语音增强

利用人耳感知的掩蔽特性，并结合含噪语音能量的最小统计量估计，提出了一种低信噪比下的单通道语音增强算法。该算法对原始语音在Bark频带能量的最小统计量进行估计，从而准确估计含噪语音信噪比，再从感知的角度，在时域和Bark频域上合理调整增强系数，以实现语音增强的目的。实验表明，该增强算法能够在减小语音失真的同时，很好地抑制背景噪声和残余音乐噪声。     

基于LabVIEW的音频信号采集实验平台设计

运用虚拟仪器替代传统实验设备,不但能节省实验器材资源、降低实验室建设成本,而且可为学生提供一个更加方便的实验平台,提高老师的教学质量、实现设备资源的共享.在LabVIEW平台上设计开发了以PC机普通声卡作为数据采集设备进行音频信号采集分析的虚拟实验系统,具有信号采集、分析、波形显示、存储以及数据文件再调用分析等功能.与传统仪器相比,打破了以往由教学仪器限定实验的模式,具有一定的实用性和可靠性.