基于小波变换的低信噪比雷达回波快速检测法

根据二进小波变换对信号分解的形式与特性,给出了信号在小波域中广义子波能量的定义,并利用子波变换的多尺度分解特性构造出广义小波能量积累器。在此基础上设计出一种直接利用广义小波能量积累对低信噪比雷达回波信号进行检测的快速算法。仿真实验结果表明,该检测算法对强白噪声及强声背景下的低信噪比信号检测比较有效,对背景噪声具有较好的自适应性,且该检测算法设计简单,执行速度快,可靠性高。     

低信噪比下RFID调制识别方法的研究

针对RFID标准中常用的数字调制方式,提出了一种新的低信噪比下测试识别方法。该方法采用自适应阈值小波消噪方法预处理识别信号,提高了在低信噪比下的调制识别能力,设计了一种基于遗传BP神经网络的识别分类器,进一步改善了低信噪比下的识别效果。仿真结果表明,该方法在信噪比为5dB时,识别正确率也能达到95%以上。     

低信噪比环境下子带能熵比端点检测算法

语音端点检测是将采集到的语音信号从复杂的噪声背景中提取出来,确定每段语音的开始和结束,是后续处理的基础。对于语音端点检测在低信噪比的复杂噪声环境下准确率低的问题,提出了一种多窗谱估计减噪和子带能熵比法结合的语音端点检测算法。该算法通过改进多窗谱谱减法对语音信号进行减噪,在分析了常规谱熵端点检测算法的基础上结合对数能量,以改进的子带能熵比作为阈值进行端点检测。实验表明,该算法在不同环境的低信噪环境下,准确率高,具有较高的鲁棒性。     

低信噪比下基于功率谱熵的语音端点检测算法

为了解决短波通信中语音检测的问题,针对短波语音信噪比低,噪声复杂的特点,对幅度谱熵算法进行了修正,选取功率谱熵作为VAD特征,加入谱熵平滑和hangover设计,研究了基于功率谱熵的语音端点检测算法。实验证明,算法对几种典型的短波语音均有比较理想的性能。     

一种适用于低信噪比环境下的差分相关捕获方法

直接扩频系统中的捕获是一项非常关键的同步技术。常用差分处理来消除频偏对峰值的影响,然而一般差分捕获算法随着伪码的增长、信噪比的降低都会导致信噪比的损失很大。提出一种改进的差分捕获算法,基于差分相关的M阶无偏自相关捕获算法(MUAC-DF),将信号和伪码相乘消除伪码信息后做M阶无偏差分自相关,在一定程度上弥补了差分带来的信噪比损失,提高了抗噪性能;详细介绍了其数学模型,并且从理论上分析了MUAC-DF算法性能;最后在相同条件下进行仿真验证。实验结果表明,MUAC-DF捕获算法比一般的差分非相干码捕获技术性能更加优越,其捕获性能有4~5 dB的改善,更适应于低信噪比条件下工作。     

基于K-SVD的低信噪比WMSN视频图像稀疏去噪

无线多媒体传感器网络WMSN因感知视频等信息的优势而被广泛应用,但受天气、光照等外因干扰,所采集视频图像常含有较为严重的噪声。因此,在低信噪比条件下进行视频图像去噪是保证WMSN视频监测有效性和可靠性的关键。在分析WMSN视频图像特征的基础上,首先对其进行周期性采集、分帧及帧差等预处理;然后对关键帧运用K SVD训练DCT冗余字典以充分稀疏表示图像特征,并采用基于残差比的改进型Batch OMP实现关键帧去噪及重构,而对残差帧则基于DCT冗余字典进行稀疏去噪处理;最后,叠加去噪后的关键帧和残差帧,从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明,本算法能更加有效地、较为快速地滤除视频图像噪声,适用于低信噪比WMSN视频图像去噪。     

一种低信噪比下的高精度射频指纹变换方法

针对低信噪比时无线发射机的射频指纹识别问题,提出了一种基 于功率放大器非线性系数的射频指纹变换方法。基于功放非线性与无线信道模型,以及通信 帧的先验知识,利用卡尔曼滤波方法估计功放模型的非线性系数,并将系数矢量作为射频指 纹,用于相应发射机的硬件识别。理论分析与数值仿真表明：新的射频指纹变换方法,在低 信噪比时仍具有高精度的优点。提出的射频指纹变换方法可应用于无线或有线通信个体的物 理层融合识别等。     

低信噪比下联合训练生成对抗网络的语音分离

提升低信噪比下的分离语音质量是语音分离技术研究的重点,而大多数语音分离方法在低信噪比下仍只对目标说话人的语音进行特征训练.针对目前方法的不足,提出了一种基于联合训练生成对抗网络GAN的混合语音分离方法.为避免复杂的声学特征提取,生成模型采用全卷积神经网络直接提取混合语音时域波形的高维特征,判别模型通过构建二分类卷积神经...     

基于谐和与击打声源分离相结合的音乐分离方法研究

为有效缓解非负矩阵分离算法适应性不足,且对于学习样本过分依赖等缺陷,本文提出了基于谐和与击打声源分离相结合的音乐分离算法.通过谐和与击打声源分离算法在高分辨率下分离音乐信号,保存谐和声源;通过灵活窗非负矩阵分离算法再次分离击打声源.同时以公开化音乐数据集为载体测试分离算法整体性能,结果表明此算法性能稳定,对于人声与伴奏...     

基于卷积非负矩阵部分联合分解的强噪声单声道语音分离

非负矩阵部分联合分解(Nonnegative matrix partial co-factorization, NMPCF)将指定源频谱作为边信息参与混合信号频谱的联合分解, 以帮助确定指定源的基向量进而提高信号分离性能.卷积非负矩阵分解(Convolutive nonnegative matrix factorization, CNMF)采用卷积基分解的方法进行矩阵分解, 在单声道语音分离方面取得较好的效果.为了实现强噪声条件下的语音分离, 本文结合以上两种算法的优势, 提出一种基于卷积非负矩阵部分联合分解(Convolutive nonnegative partial matrix co-factorization, CNMPCF)的单声道语音分离算法.本算法首先通过基音检测算法得到混合信号的语音起始点, 再据此确定混合信号中的纯噪声段, 最后将混合信号频谱和噪声频谱进行卷积非负矩阵部分联合分解, 得到语音基矩阵, 进而得到分离的语音频谱和时域信号.实验中, 混合语音信噪比(Signal noise ratio, SNR)选择以-3 dB为间隔从0 dB至-12 dB共5种SNR.实验结果表明, 在不同噪声类型和噪声强度条件下, 本文提出的CNMPCF方法相比于以上两种方法均有不同程度的提高.     

混合语音信号的声源分离

语言通讯是人类最基本的交流通讯手段之一,而作为收集语音的有效工具麦克风,可以录入人类语音信号。笔者研究一种基于麦克风阵列的说话分离技术,利用两个麦克风采集混合声音信号,使之分离出两个声源的语音内容,能够识别语音内容。本设计完成了由两个麦克风收集两段声源的混合声音信号,运用独立成分分析FastICA算法分离两段混合声源信号并可以进行播放,成功识别后以文本形式显示在7英寸的LCD。     

基于FastICA的语音分离与图像分离

独立分量分析0CA）基于信号的高阶统计量,能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号,在诸多ICA算法中,固定点算法（也称FastICA）以其收敛速度快、分离效果好被广泛应用于信号处理领域。在介绍ICA的基本模型与FastICA算法的原理后,分别对混合的语音信号与图像信号进行了分离实验,仿真结果表明FastICA应用于语音分离与图像分离,效果都很好。     

基于聚类的双说话人混合语音分离

针对许多基于训练模型的计算机听觉场景分析系统,在解决双说话人混合语音信号分离时需要依赖样本训练的有效性以及说话人的先验知识,提出一种基于聚类的单声道混合语音分离系统。系统先利用多基音跟踪算法对语音信号进行分析并产生同时流,然后通过最大化类内散布矩阵与类间散布矩阵的迹,搜索同时流的最佳分类,最终完成对双说话人的语音分离。该系统不需要训练语音模型,并且有效地改善了在双说话人混合语音信号的分离效果,为双说话人的语音分离提供了新的思路。     

基于非因果先验信噪比估计的语音增强改进算法

为提高MMSE-LSA语音增强算法在低信噪比下的语音增强效果,提出一种改进的MMSE-LSA算法。该算法采用非因果先验信噪比估计法来估计先验信噪比,并引入无语音概率的思想,对增益函数进行改进。实验结果表明,相比传统MMSE-LSA算法,改进算法能更好地抑制残留噪声,提高语音的信噪比,增强效果更好。     

基于生成先验的无监督音源分离

有监督深度神经网络解决音源分离问题的方法获得了很好的分离效果,然而因为有监督方法在训练的过程中需要大量的标签数据,但实际上标签数据并不容易获取。针对无标签音源数据问题,通过利用深度卷积神经网络擅长从大量数据中提取紧凑和稳健的先验信息优势,提出了一种新的基于生成先验的无监督音源分离损失函数。实验结果表明,在信噪比方面比标准基线方法提高1～4dB,能够得到更好的分离后的音频质量。     

基于麦克阵列的实时盲语音分离系统

通过使用多波束形成器对盲分离系统进行预处理滤波,结合频域内独立分量分析的方法,提出了一种基于麦克阵列的快速实时盲语音分离系统,它能够有效地分离在真实环境中的卷积混叠语音信号。