一种基于全相位FFT的频谱感知算法

为提高能量检测算法的性能,提出一种基于全相位快速傅里叶变换( FFT )的频谱感知算法。全相位FFT中的数据预处理过程,考虑了数据段中心样本点所有可能组合的情况,从而减少因信号截断所导致的频谱泄露,提高谱分析精确度。以能量检测法为例,通过Matlab对基于传统FFT和全相位FFT的频谱感知算法进行理论分析和仿真,结果表明,在信噪比相同的条件下,后者的谱间干扰较小,信号的误检率较低;在相同虚警率的条件下,后者可使频谱泄露得到有效抑制,获得的频谱更接近于真实的频谱信息,检测概率相应提高。因此,全相位FFT能量检测法的检测性能明显优于传统能量检测法。     

I形MEMS谐振器的电阻差分检测方法

为克服Ｉ2形MEMS谐振器输入端（热执行）与输出端（压阻敏感）直接耦合所造成的输出信号品质较差的缺点,设计并制作了一种电阻差分检测电路。该电路通过外接电阻的方法,产生与输出信号中耦合成分幅值相同、相位相反的差分信号。将差分信号与谐振器输出信号相组合,从而实现解耦的目的。实验结果表明,电阻差分检测可有效消除了输出信号中的耦合成分,使频谱响应曲线得到更直观的体现。与其他消除耦合信号的技术方案相比（混频检测电路、惰性谐振器等）,电阻差分检测法电路设计简单,无需改动器件的加工工艺,有利于满足未来器件小型化要求。     

I~2形MEMS谐振器的电阻差分检测方法

为克服I2形MEMS谐振器输入端(热执行)与输出端(压阻敏感)直接耦合所造成的输出信号品质较差的缺点,设计并制作了一种电阻差分检测电路。该电路通过外接电阻的方法,产生与输出信号中耦合成分幅值相同、相位相反的差分信号。将差分信号与谐振器输出信号相组合,从而实现解耦的目的。实验结果表明,电阻差分检测可有效消除了输出信号中的耦合成分,使频谱响应曲线得到更直观的体现。与其他消除耦合信号的技术方案相比(混频检测电路、惰性谐振器等),电阻差分检测法电路设计简单,无需改动器件的加工工艺,有利于满足未来器件小型化要求。     

加过零检测的电力谐波加窗算法

离散傅里叶变换是电力谐波检测的有效方法。针对该算法频谱泄漏严重,导致谐波检测精度不高的问题进行了研究,分别采用对时域信号加平顶窗和经典海宁窗、对加窗信号进行傅里叶变换求解电力谐波的方法。考虑到加窗算法得到的谐波幅值的计算精度除了与所加窗的频谱特性有关外,还与采样初始相位密切相关,因此,提出先通过过零检测以决定信号初始采样相位,然后对采样信号加海宁窗进行谐波计算的方法。Matlab仿真和实际应用表明,该方案对于电力谐波检测具有较高的精度和实时性。     

一种基于循环谱特征识别的频谱感知算法

针对传统循环谱计算复杂度高的问题,提出一种基于循环谱特征识别的频谱感知算法,该算法采用自相关矩阵替代频域平滑方法计算信号的谱特征,在降低算法复杂度的同时,能够准确区分噪声与有用信号,利用软件无线电构建测试平台,用以验证算法的有效性.实验结果表明,该算法能够准确检测出频谱空穴,准确度大于90％,并能降低时间复杂度,可以满...     

基于小波去噪的联合频谱感知优化算法

传统的能量检测算法由于受到噪声不确定性的影响,在信噪比较低时检测精度差,理论上较优的循环平稳特征频谱感知算法的计算复杂度偏高。因此,在传统能量检测算法基础上结合小波阈值去噪和差分能量检测模型,提出一种优化的双门限联合检测算法。使用能量检测法来判断双门限区间之外的区域,双门限阈值内的不确定性区域使用小波阈值去噪重构后做差分能量检测,并根据信道实时状态动态地调整双阈值。当信道质量较差时,增大双门限之间的距离,否则缩短双门限之间的距离,从而提高频谱检测效率。通过仿真对比得知,该算法有效地提高了噪声不确定性影响下频谱感知的准确性,并且降低了感知算法的计算复杂度。     

基于Walsh信号空间分解的CPM序列检测算法*

连续相位调制本身所具有的高效频谱和功率利用率使得这种调制方式非常适用于无线通信环境中,但其解调的复杂度也随着记忆长度和进制数的增加呈指数增长。该文给出了基于Walsh信号空间分解的序列检测算法,将接收机前端大量的匹配滤波器替换为两个低通滤波器加子区间采样器,这样有效地降低了CPM解调器前端复杂度,并通过对最小投影距离损失的分析,得出了一个关于接收机使用Walsh信号空间维数所遵循的最低限准则,并通过仿真验证了这个准则是有效的。     

基于全相位频谱校正的TMBOC信号的捕获

针对使用传统部分匹配滤波器（PMF）结合快速傅里叶变换（FFT）无法精确捕获时分复用二进制偏移载波（TMBOC）调制信号的问题,提出一种基于全相位频谱校正的捕获方法。首先通过PMF过程对接收信号进行部分相关运算,再使用全相位快速傅里叶变换（apFFT）算法对多普勒效应进行补偿,最后结合全相位频谱校正技术对功率谱进行校正。仿真结果表明,在同一条件下,该算法比PMF-FFT加窗算法检测概率提高了3 dB左右,并有效缩短了捕获时间。该算法可比PMF-FFT加窗算法更精确捕获TMBOC信号。     

基于SFFT的宽带信号互谱法测向算法

在无线电频谱监测中,随着数据采集能力和采样频率的不断提高,对算法的时效性提出了更高要求。对于宽带信号测向系统,提出基于稀疏快速傅里叶变换的互谱法相位测量算法,该算法利用信号频域的稀疏特性,通过频谱重排、滤波、降采样和估值,能快速计算出频谱中K（信号稀疏度）个拥有最大值的傅里叶系数。利用这K个大值点计算平均时延,在保证与传统快速傅里叶变换有相同精度的同时,降低算法的时间复杂度。分析表明,该算法的时间复杂度与信号稀疏度K呈亚线性关系。该方法提高了算法效率。仿真分析对比了基于稀疏快速傅里叶变换的互谱法和基于快速傅里叶变换的互谱法的误差,表明了该算法的有效性。     

一种CPM信号检测与定时同步算法

针对传统连续相位调制(CPM)接收机检测复杂度高和定时同步困难的问题,提出一种CPM信号联合检测与定时同步算法。基于低维Walsh信号空间分解CPM信号,在低通滤波器中采用子区间采样器代替大量匹配滤波器,利用面向判决的方式进行定时同步。仿真实验表明,该算法的复杂度较低,适用于多数CPM调制方案。     

一种新型音符起始点检测算法

提出一种利用乐音频率变化特征进行音符起始点检测的算法,该算法基于连续小波变换（CWT）对音乐信号进行分解,分解后的信号频率和乐音频率分布相同。从分解后的信号中提取音符起始点特征,使用双边指数光滑和移动窗口归一化算法优化检测函数,产生音符起始点。     

基于修正倒谱特征的回放语音检测算法

随着语音技术的发展,以回放语音为代表的各种仿冒语音给声纹认证系统及音频取证技术带来了极大挑战。针对回放语音对声纹认证系统的攻击问题,提出一种基于修正倒谱特征的检测算法。首先,采用变异系数来分析原始语音和回放语音在频域上的差异;然后,有针对性地将提取梅尔倒谱系数（MFCC）过程中的Mel滤波器组换成由linear滤波器和逆Mel滤波器组合的新滤波器组,进而得到基于新滤波器组的修正倒谱特征;最后,使用高斯混合模型（GMM）作为分类器进行分类判别。实验结果表明,修正的倒谱特征能够有效地检测回放语音,其等错误率约为3.45%。     

语音/音乐自动分类中的特征分析

综合分析了语音和音乐的区别性特征，包括音调，亮度，谐度等感觉特征与MFCC（Mel-Frequency Cepstral Coefficients)系数等，提出一种left-right DHMM(Discrete Hidden Markov Model)的分类器，以极大似然作为判别规则，用于语音，音乐以及它们的混合声音的分类，并且考察了上述特征集合在该分类器中的分类性能，实验结果表明，文中提出的音频特征有效，合理，分类性能较好。     

基于MFCC和常数Q变换的乐器音符识别

音符识别是音乐信号分析处理领域内非常重要的研究内容,它为计算自动识谱、乐器调音、音乐数据库检索和电子音乐合成提供技术基础。传统的音符识别方法通过估计音符基频与标准频率进行一一对应识别。然而一一对应较为困难,且随着音符基频的增大将导致误差增大,可识别的音符基频范围不广。为此,文中采用分类的思想进行音符识别。首先,建立所需识别的音符音频库,并针对音乐信号低频信息的重要性,选取梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficients,MFCC)和常数Q变换(Constant Q Transform,CQT)作为音符信号提取特征。然后,将提取的特征MFCC和CQT分别作为音符识别的单一特征输入和两者特征融合输入;结合Softmax回归模型在多分类问题中的优势以及BP神经网络良好的非线性映射能力与自学习能力,构建基于Softmax回归模型的BP神经网络多分类识别器。在MATLAB R2016a的仿真环境下,将特征参数输入到多分类器中进行学习与训练,通过调整网络参数来寻找最优解。通过改变训练样本数进行对比实验。实验结果表明,将融合特征(MFCC+CQT)作为特征输入时,可以识别出从大字组到小字三组的25类音符,并可以获得95.6%的平均识别率;在识别过程中,特征CQT比特征MFCC的贡献更大。实验数据充分说明,利用分类的思想提取音符信号的MFCC和CQT特征来进行音符识别,可以取得很好的识别效果,并且不受音符基频范围的限制。     

基于LPCMCC的音频数据检索方法

LPC美尔倒频谱系数（LPCMCC）根据人耳听觉特性将LPC倒谱系数（LPCC）用非线性美尔尺度进行变换,从而更接近人耳的听觉系统。基于此提出一种采用LPCMCC为特征参数,通过动态时间规整算法进行音频数据的分类与检索方法。实验结果表明,该方法的检索精度高于LPCC,检索效率高于美尔倒谱系数（MFCC）。     

Multiple symbol differential detection based on sphere decoding for unitary space-time modulation

Recently, a multiple symbol differential (MSD) sphere decoding (SD) algorithm for unitary space-time modulation over quasi-static channel has been proved to achieve the performance of maximum-likelihood (ML) detection with relatively low complexity. However, an error floor occurs if the algorithm is applied over rapid-fading channels. Based on the assumption of continuous fading, a multiple symbol differential automatic sphere decoding (MSDASD) algorithm is developed by incorporating a recursive form of an ML metric into automatic SD (ASD) algorithm. Furthermore, two algorithms, termed as MSD approximate ASD (MSDAASD) and MSD pruning ASD (MSDPASD), are proposed to reduce computational complexity and the number of comparisons, respectively. Compared with the existing typical algorithms, i.e., multiple symbol differential feedback detection (MS-DFD) and noncoherent sequence detection (NSD), the performance of the proposed algorithms is much superior to that of MS-DFD and a little inferior to that of NSD, while the complexity is lower than that of MS-DFD in most cases and significantly lower than that of NSD. Supported by the National Basic Research Program of China (973 Program) (Grant No. 2009CB320403), and the National Defense Pre-research Project of the 11th Five-Year-Plan of China (Grant No. 1060741001020102)     

MIMO-GFDM系统中低复杂度动态禁忌搜索检测算法的改进

针对多输入多输出的广义频分复用（MIMO-GFDM）系统的等效信道矩阵维度极大，传统的MIMO检测算法复杂度高且性能不佳的问题，将大规模MIMO系统中的动态禁忌搜索（RTS）检测算法运用到MIMO-GFDM系统中，并解决了RTS算法初始值的求解复杂度高的问题。首先利用最小均方误差（MMSE）检测算法所用到矩阵的正定对称性将矩阵Cholesky分解，并结合Sherman-Morrison公式迭代计算初始值，降低了初始值求逆的高复杂度；然后以改进的MMSE检测结果作为RTS算法的初始值，从初始值逐步全局搜索最优解；最后通过仿真，对不同算法的迭代次数和误码率（BER）性能进行了研究。理论分析与仿真结果表明：在MIMO-GFDM中，所提改进RTS信号检测算法误码率远低于传统信号检测算法。在4QAM时，RTS算法大约有低于MMSE检测6 dB的信噪比性能增益（误码率在10^-3时）；在16QAM时，RTS算法大约有低于MMSE检测4 dB的信噪比性能增益（误码率在10^-2时）。与传统RTS算法性相比，所提改进算法在不影响误码率性能的同时降低了算法复杂度。     

基于CRFs和MPCP特征的和弦识别研究

和弦识别是音乐调式分析和自动标注的基础,同时在分析音乐的结构和旋律方面有着非常重要的作用。结合音乐理论和信号处理知识,提出一种基于MPCP（Mel Pitch Class Profile）特征和CRFs（Conditional Random Fields）模型的和弦识别方法。利用短时傅里叶变换（STFT）对音乐信号进行时频变换,定义了一种新的MPCP特征,最后用CRFs对和弦进行识别。实验结果表明,提出的方法在识别率上优于其他方法,具有一定的潜力。     

基于频谱空间域特征注意的音乐流派分类算法

为了提升深度卷积神经网络对音乐频谱流派特征的提取效果,提出一种基于频谱空间域特征注意的音乐流派分类算法模型DCNN-SSA。DCNN-SSA模型通过对不同音乐梅尔谱图的流派特征在空间域上进行有效标注,并且改变网络结构,从而在提升特征提取效果的同时确保模型的有效性,进而提升音乐流派分类的准确率。首先,将原始音频信号进行梅尔滤波,以模拟人耳的滤波操作对音乐的音强及节奏变化进行有效过滤,所生成的梅尔谱图进行切割后输入网络;然后,通过深化网络层数、改变卷积结构及增加空间注意力机制对模型在流派特征提取上进行增强;最后,通过在数据集上进行多批次的训练与验证来有效提取并学习音乐流派特征,从而得到可以对音乐流派进行有效分类的模型。在GTZAN数据集上的实验结果表明,基于空间注意的音乐流派分类算法与其他深度学习模型相比,在音乐流派分类准确率和模型收敛效果上有所提高,准确率提升了5.36个百分点～10.44个百分点。