基于模糊熵的转子碰摩声发射信号的识别

利用模糊熵理论来度量转子碰摩声发射信号的特征参数相对于不同碰摩状态识别模式的不确定度。根据碰摩声发射信号的特点,选用平均信号电平、幅度、幅度动态范围以及小波包分解信号前四个节点重构信号的能量值作为声发射信号识别的特征参数,由训练样本确定各特征参数针对不同碰摩类别的基于高斯形式的隶属度函数,并由隶属函数得到特征参数与类别之间的模糊关系矩阵。由于各特征参数对于声发射信号识别的有效性不同,因此在计算模糊关系矩阵时引入有效度系数,提出一种利用模糊熵定义有效度系数的方法。结合该系数得到修正的模糊关系矩阵并计算综合评价模糊集合,选择隶属度最大的类别作为识别结果。在转子试验台上采集的不同碰摩状态的声发射信号进行验证,试验结果表明,模糊综合评价方法是一种有效的声发射识别手段,并可以利用参数有效性的差异来提高识别效率。     

基于VMD-FHT的风机齿轮箱故障特征提取方法

针对风电机组齿轮箱运行工况复杂、背景噪声大，难以提取其故障特征信息的问题，提出一种基于变分模态分解（VMD）和分数阶希尔伯特变换（FHT）的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号，并且定义一种分解品质因数以选取VMD的最优分解层数K；对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换，计算各模态分量的边际谱并进行线性叠加；提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明，采用该方法能够准确地提取出风机齿轮箱的故障特征，并获得更优的故障识别效果     

人脸面部表情识别的研究进展

随着信息和计算机技术的飞速发展,人脸面部表情识别技术越来越受到重视.本文综述了近年来人脸面部表情识别的研究进展.首先对面部表情识别技术的研究背景和发展历程作了简单的回顾,然后着重介绍了几种主要的识别方法,并力争从理论上对各种方法进行分析和比较,最后简单地讨论了进一步提高面部表情识别率的难点和必须考虑的几个重要方面,进而展望了人脸面部表情识别技术的发展方向.     

“通信原理”课程实践教学探讨

基于目前"通信原理"实验教学普遍存在的问题,本文针对应用型本科专业人才培养要求,提出了一种采用System View+Matlab进行项目方案设计,采用Keil C+Proteus进行仿真实现的双层实践教学方案。笔者以语音信号的DPSK调制解调为例进行了简要说明。该实验教学方案提高了学生的学习兴趣,有利于学生科技创新能力和实践能力的培养。     

嵌入马尔可夫网络的多尺度判决融合耳语音情感识别

本文中我们提出了一种将高斯混合模型同马尔可夫网络结合的时域多尺度语音情感识别框架,并将其应用在耳语音情感识别中。针对连续语音信号的特点,分别在耳语音信号的短句尺度上和长句尺度上进行了基于高斯混合模型的情感识别。根据情绪的维度空间论,耳语音信号中的情感信息具有时间上的连续性,因此利用三阶的马尔可夫网络对多尺度的耳语音情感分析进行了上下文的情感依赖关系的建模。采用了一种弹簧模型来定义二维情感维度空间中的高阶形变,并且利用模糊熵评价将高斯混合模型的似然度转化为马尔可夫网络中的一阶能量。实验结果显示,本文提出的情感识别算法在连续耳语音数据上获得了较好的识别结果,对愤怒的识别率达到了64.3%。实验结果进一步显示,与正常音的研究结论不同,耳语音中的喜悦情感的识别相对困难,而愤怒与悲伤之间的区分度较高,与Cirillo等人进行的人耳听辨研究结果一致。      

分数傅里叶域上宽间隔跳变的透明语音信息隐藏模型

语音信息隐藏一直是信息安全领域内研究的热点和难点。本文基于掩蔽效应和扩频码理论,提出了一种新的基于跳变分数傅里叶变换的高透明语音信息隐藏模型,首先从时频域掩蔽出发,提出了分数傅里叶变换域上的隐秘信息嵌入算法,并提出了在分数相关倒谱域上的隐秘信息提取算法。同时又提出了一种宽间隔多进制伪随机序列来控制分数阶因子α。理论分析和实验结果表明,该模型具有很强的透明性,在时域、频域和倒谱域都无法发现隐秘信息的存在,同时能够抗信道噪声的影响。研究表明该模型在语音信息隐藏领域具有较高的应用价值和广阔的应用前景。      

分数傅里叶变换域上含噪语音的联合滤波

噪声是影响语音识别和说话人识别性能的主要因素,目前常用的降噪方法多是针对平稳噪声的,而针对非平稳噪声的降噪方法很少。而在实际环境中,通常的噪声是非平稳的。本文将含噪语音变换到分数傅立叶域上,提出了一种在分数傅立叶变换域上进行线性最优滤波和中值滤波的联合滤波降噪方法。实验结果表明,该方法对含非平稳噪声的语音的降噪效果明显优于维纳滤波,能够有效地降低非平稳噪声的影响,提高非平稳噪声环境下的语音识别和说话人识别性能。     

基于 GF(P~k)域上的广义 L-P 交错序列

Ｌ．Ｃ．Ｑｕｙｎｃｈ和Ｓ．Ｐｒａｓａｄ提出的序列（Ｌ－Ｐ序列）有很好的相关特性,将其推广到ＧＦ（Ｐｋ）上,并证明其也具有很好的相关特性．     

基于DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题，提出一种改进的灰狼算法（IGWO）与加权极限学习机（WELM）的变压器不平衡故障诊断模型。首先，基于油中气体分析（DGA）技术，结合无编码方法将变压器的7种特征量作为可视输入；然后，采用Logistic混沌映射、云模型惯性权重对灰狼算法（GWO）进行改进；最后利用IGWO对WELM的相关参数进行迭代优化，并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明：提出模型的G-mean平均值为96.06%，比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%；误报率平均值为12.28%，也明显低于其他4种模型。