基于声道频谱参数的语种识别

针对低信噪比下语种识别正确率低的问题,提出了一种声道冲激响应频谱参数和Teager能量算子倒谱参数融合的识别方法.根据语音中不同特征信息量分布特性,首先在特征提取前端引入低通滤波器滤除信号高频部分,并采用重采样方法降低采样率,再基于信号频谱提取声道冲激响应频谱参数,然后融合Teager能量算子倒谱参数,最后通过高斯混合通用背景模型进行语种识别验证.不同信噪比条件下性能测试表明,所提方法相对于基于单一的梅尔频率倒谱系数特征、单一的伽玛通频率倒谱系数特征和基于对数梅尔尺度滤波器组能量特征,在低信噪比下提升约15 dB,显著提高了识别正确率.     

基于融合特征MGCC的语种识别方法

为了解决噪声环境下语种识别准确率低的问题，提出一种将梅尔倒谱系数和伽马频率倒谱系数融合的语种识别方法。首先提取语音的梅尔倒谱系数和伽马频率倒谱系数，并依据语种识别中的贡献度对特征进行筛选；接着将特征映射在由梅尔域-伽马域组成的空间坐标系中，以得到梅尔伽马倒谱系数(MGCC);最后，将特征输入深度神经网络中进行语种识别。实验结果表明，所提方法的识别准确率和速度远高于使用单一声学特征及其他语种特征的方法。在纯净环境下，所提方法的语种识别准确率可以达到99.38%,在-5 dB低信噪比环境下也可达到89%以上。这充分证明了所提方法的有效性和鲁棒性。     

基于MFCC相关系数的语音感知哈希认证算法

提出了一种基于梅尔频率倒谱系数相关性的语音感知哈希内容认证算法. 该算法提取分段语音的声纹梅尔频率倒谱系数作为感知特征. 为提高算法的安全性,算法利用伪随机序列作为密钥,计算得到梅尔频率倒谱系数与伪随机之间的相关度,最后量化相关值并加密生成感知哈希序列. 语音认证过程中,采用相似性度量函数用来衡量哈希序列之间的距离,同时与汉明距离方法进行了比较. 仿真结果表明,该算法对语音内容保持操作,如重采样、MP3压缩等具有较好的鲁棒性,相似性度量函数也对语音篡改检测定位具有较高的灵敏性.     

基于经验模态分解和Mel倒谱系数的语音端点检测

提出了一种基于经验模态分解和Mel倒谱系数的语音端点检测方法。对语音信号进行分解得到一组IMF分量,将集中在低层IMF分量中的噪声信号滤除,重构剩余的IMF分量成语音信号,提取重构信号的Mel频率倒谱系数来检测语音信号的端点。实验结果表明,提出的方法可以较好地消除噪声对语音信号端点检测带来的影响,能在不同信噪比的环境下正确地对语音信号进行端点检测,具有一定的鲁棒性。     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

Hilbert变换在滚动轴承故障诊断中的应用

测量6205深沟球轴承的故障振动加速度信号,对信号进行时频分析,利用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,对每个固有模态函数进行Hilbert变换得到Hilbert谱,通过谱分析识别轴承的故障部位和类型,证实Hilbert谱的有效性.在实际的故障诊断中应用Hilbert-Huang变换,更好地得到故障原因.     

基于经验模式分解的语音端点识别方法

提出一种基于经验模式分解（EMD）的语言端点识别方法.该方法对带噪语音信号进行EMD分解得到一组固有模态函数（IMF）,采用短时过零率估计其平均瞬时频率.根据语言信号特定阶IMF平均瞬时频率的特征,将平均瞬时频率低且变化缓慢的语言帧作为周期性强的浊音段,而平均瞬时频率高的语言帧判别为清音段,组合处理后的结果最终得到语音段数据.数值仿真和实验结果表明,该方法在语音信号受噪声污染比较严重的情况下能够有效识别语音端点.     

基于EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

斯特林发动机振动信号分析及谱估计

为了检测斯特林发动机运行状态,针对斯特林发动机在运行过程中振动信号产生机理,采用了经验模态分解与自回归模型相结合的方法对振动信号进行分析,设计了振动检测系统.通过选取故障信息的本征模函数进行功率谱估计,提取滚动轴承故障特征.测试结果表明:经验模态分解可自适应地分解非平稳信号,生成的本征模函数可提取信号内在的本质特征.对自回归模型进行功率谱估计,提取振动状态异常信号.经实验验证,故障情况与真实异常状况吻合,可有效检测斯特林发动机运行过程中的故障特征.     

Hilbert-Huang变换在结构损伤识别中的应用

为了识别出结构损伤情况,对结构加速度响应信号进行经验模态分解(EMD),得到各阶固有模态函数(IMF),利用第一阶IMF便可以识别出结构损伤发生的时刻及位置。然后利用对各阶IMF进行希尔伯特变换(HT)得到的瞬时频率和Hilbert谱来识别出结构损伤的程度。最后通过对一三层剪切型框架结构的实例分析,证明了该方法的有效性。     

基于多视图分类集成的高铁工况识别

针对传统方法识别高铁工况存在特征提取不完备和识别性能不精确的问题,提出一种多视图分类集成的高铁工况识别方法(MVCE)。该方法结合多视图特征提取和分类集成技术,从信号本身特性、频域和时频域三个角度提取小波能量、频谱系数、聚合经验模态分解模糊熵,并使用Fisher比率对其频域特征进行特征选择,从而构建高铁振动信号三个视图的特征。使用最小二乘支持向量机和K最近邻分类器分别对每个视图的特征进行初步识别。最后采用分类熵投票策略对多个分类器输出结果进行集成。试验结果表明:该方法对仿真数据和实验室数据的平均识别率分别达到89.18%和90.87%。同时对比结果说明了该方法提取特征的完备性和具有多样性集成模型的有效性。     

Multi-resolution EMD and classscatter matrix extracting of tank sound

The acoustic vibration signal of tank is disassembled into the sum of intrinsic mode function(IMF) by multi-resolution empirical mode decomposition(EMD) method.The instantaneous frequency is obtained,and feature transformation matrix is figured out by class scatter matrix.Multi-dimensional scale energy vector is mapped into low-dimensional eigenvector,and classification extraction is realized.This method sufficiently separates of different sound target features.The test result indicates that it is effective.     

Algorithm for extraction of features of robot speech control in the factory environment

In the real working environment,the mobile robots have a poor recognition performance to speech control commands due to the noise effect. Aiming at this issue,this paper proposes a new algorithm based on the gammatone frequency cepstral coefficient and the mixed feature extraction of the Teager energy operator. This algorithm replaces the common Mel filter with the Gammatone filter. In the process of extracting gammatone frequency cepstral coefficients,the Teager energy operator reflecting the energy of speech signal is added to form a new feature, with the dynamic characteristics of the speech signal considered. It is combined with the first-order difference parameters to form a mixed feature. And the principal component analysis is made to reduce the dimension,and the final mixed features are used to the speech recognition system for control command of the mobile robot. Experimental results show that,in the environment of the workshop noise and signal-to-noise ratio of 10dB,the recognition rate of mixed features is improved by 12.20% compared with the mel frequency cepstrum coefficient. The recognition rate of the mixed feature is increased by 1.02% when the dimension is reduced by principal component analysis.     

一种基于MFCC与韵律特征的说话人确认方法

梅尔倒谱系数是一种常用于说话人识别的特征参数,韵律特征是一种描述人的声门特性的参数。为融合MFCC与韵律特征,以图优化说话人确认系统性能,该文采用二次判决的方法来处理这两个特征;参与第二次判决的语音则由通过大量实验制定的判决空间来确定。实验结果表明,采用二次判决时,系统等错误率从仅使用MFCC时的5．56％的下降至4．37％。     

Vehicle recognition using acoustic sensor networks in complex scenes via kernel sparse representation

This paper proposes a method of vehicle recognition via kernel sparse representation using acoustic sensor networks in complex scenes. This algorithm uses the Mel frequency cepstral coefficients to extract the acoustic features of vehicles and maps them into a high-dimensional feature space with a kernel function to get linearly separable samples. After extending sparse representation to the kernel space and constructing the over-complete dictionary, the objective vehicles will be recognized by solving the optimization problem. Experiments show that the proposed algorithm gives good performance on vehicle recognition under the circumstance of complex data sets. Compared with other traditional acoustic classification algorithms, the method improves the precision of recognition.     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题，提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同，利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位，依据定位的间断信号段经端点延拓重新做EMD分离出间断信号，从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较，显示其滤除结果的信号失真较小，并可将间断信号分解为一固有模态函数．