局部线性预测对汉语元音非线性的研究

1引言 近来,人们通过延迟重构相空间、计算相关维或嵌入维等非线性动力学方法,发现语音中含有非线性、甚至混沌成分[1][2].用非线性的方法建立更符合物理本质的语音模型,将是对原有语音信号研究的重大突破,因此很有必要进一步验证语音中非线性的存在.对于混沌时间序列,可在Takens相空间重构理论[3]的基础上,建立相应的预测模型作预测分析,例如,局部线性预测(LLP)模型[4][5].文献[6]把LLP方法应用于水声目标辐射噪声分析,通过预测误差曲线类型判定辐射噪声的线性性.受此启发,本文把LLP理论应用到汉语语音领域,通过计算元音的归一化平均预测误差随邻点数的变化曲线、以及比较混沌时间序列和线性时间序列的相应曲线,来验证元音中存在非线性(混沌)的成分,为建立合适的LLP模型提供了依据.     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。     

HHT与神经网络在舰船目标特征提取中的应用

目标识别一直是水声领域的关键技术之一。将高阶累积量用于希尔伯特变换特征提取中,通过对舰船目标辐射噪声信号进行采集,得到舰船目标噪声信号,进而提取目标辐射信号各阶模态的相邻平均瞬时频率比、相对标准差、中心频率、平均强度、高阶矩和高阶累积量等作为特征,最终利用BP神经网络来实现对两类舰船目标的分类识别。通过对实际舰船目标噪声进行识别,验证了该舰船目标识别系统具有较好的识别效果。     

水下蛙人呼吸声Mel倒谱特征的实验研究

为提高水下蛙人呼吸声识别的准确度,提出一种基于Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的蛙人呼吸声信号特征匹配方法。计算呼吸声信号之间、信号与环境噪声及舰船辐射噪声的MFCC夹角和MFCC距离并进行匹配比较,以进行分类识别。某湖试验数据的处理结果表明:蛙人呼吸声与舰船辐射噪声及环境噪声的MFCC参数有着明显的差异,能够对蛙人呼吸声信号与干扰噪声进行区分,证明了基于MFCC特征算法的有效性,对发展港口、码头等近海海域附近的水下蛙人探测声呐和预警系统具有实际意义。     

水下高速活动目标辐射噪声模拟器的设计与实现

水下活动目标辐射噪声模拟技术被广泛应用于水下目标信号源生成、目标识别算法研究、声呐训练模拟设备和水声对抗设备研制等领域。为了给这类研究工作提供快速、便捷且有效的测试方法,文中利用水下高速运动目标的航行参数及其辐射噪声级,建立了一个数学模型用于计算目标通过一个相对固定测量点时接收到的辐射噪声级,据此设计并实现了水下高速活动目标辐射噪声模拟器。该模拟器采用人工方式设置工作参数,由嵌入式计算机在线加载,实时计算后产生航行辐射噪声模拟信号,最后通过水声信号发射机进行声输出。实验表明,该设计合理可行,满足使用要求。     

基于集合经验模态分解的舰船辐射噪声能量分析

利用集合经验模态分解方法研究舰船辐射噪声的特征参数提取及分类,对预处理后三种不同类别舰船辐射噪声进行能量分析,讨论其高低频能量差特征参数。计算不同类别、一定样本数量的舰船辐射噪声高低频能量差发现,同类舰船高低频能量差基本处于同一水平,不同类型舰船高低频能量差存在明显差异。结果表明,利用集合经验模态分解方法提取的舰船辐射噪声特征参数对舰船类别具有较好的可分性。可为水下目标信号探测及识别提供参考。     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率，采用小波包和1 1/2维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

基于调制统计量的水下高速目标分类算法

针对DEMON谱调制频率的可分性进行研究。利用高速目标与非高速目标在调制频率成分上的差异性,对目标DEMON谱历程矩阵进行梯度差分和量化处理,定义了目标辐射噪声的量化矩阵和调制统计量,提出了一种基于目标辐射噪声调制统计量的水下高速目标分类识别算法,比较了不同门限情况下高速目标与非高速目标随调制统计量的分布情况。大量实测数据分析表明,此算法可以可靠地对高速目标进行分类识别。