基于相空间重构的语音特征研究

本文通过重构语音信号相空间。研究语音的相似序列重复度及其熵信息,分析比较了语音信号在相空间中的非线性特征。根据清音和浊音在多维相空间中的不同空间分布特性,对语音音素进行了分类。利用语音信号在相空间中的非线性特征可以为语音识别研究提供一个新的方向。     

相空间重构在语音情感识别中的研究

为了更为全面地表征语音情感状态,弥补线性情感特征参数在刻画不同情感类型上的不足,将相空间重构理论引入语音情感识别中来,通过分析不同情感状态下的混沌特征,提取Kolmogorov熵和关联维作为新的情感特征参数,并结合传统语音特征使用支持向量机（SVM）进行语音情感识别。实验结果表明,通过引入混沌参数,与传统物理特征进行识别的方案相比,准确率有了一定的提高,为语音情感的识别提供了一个新的研究途径。     

相空间重构方法研究

利用混沌理论进行信号处理的第一步就是对混沌信号进行相空间重构,Tekens提出的延迟坐标法奠定了相空间重构的基础,而重构参数的选择则成为主要的难题.在比较了现有参数选择方法的基础上,提出了一种基于三阶相关奇异谱分析的相空间重构方法,仿真证明了该方法的有效性,而且具有较好的重构效果.     

相空间重构优化研究

分析了传统相空间重构方法的不足,提出了相空间重构优化的标准和重构质量的评价方法.由于相空间重构过程中,重构参数的改变直接导致了吸引子的伸展和折叠行为.并形成相应的空间结构.通过无序度可以有效地刻画重构吸引子的不同性态,当无序度最小时可保证吸引子具有最规则的结构.重构质量的评价主要是通过检测吸引子拓扑结构的稳定性来实现,这比其他检验方法更具有客观性.仿真实验结果表明该方法的可行性.     

基于相空间重构的汇率预测研究

汇率在宏观经济政策、商业经营和个人决策制定上的作用越来越重要,使其成为了研究的热点。根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力,提出了一种基于支持向量机回归的超短期汇率预测方法,并建立了模型,对美元港币的即时汇率进行了实证计算,且与BP神经网络模型进行了比较。结果表明,所建立的模型能很好地跟踪即时汇率的变化趋势,预测精度比较高且算法运行速度比BP神经网络模型快得多。     

基于相空间重构和支持向量机的和弦识别

利用相空间重构方法提取和弦音频中非线性特征参量,将部分参量作为训练集来构造支持向量机（SVM）分类器,另一部分作为测试集进行识别效果的检验,仿真实验表明,基于相空间重构和支持向量机的方法能够有效地进行和弦的识别,可以进一步应用到连续的音乐识别当中。     

基于相空间重构双参数联合估计的网络流量预测

为了提高网络流量预测精度,提出一种基于相空间重构双参数联合估计的网络流量预测模型.首先采用极限学习机作为网络流量预测算法,然后预测结果优劣指选择相空间重构参数,最后建立单步、多步的网络流量预测模型,并通过仿真实验对其性能进行分析.结果表明,论文模型可以准确获得最优相空间重构参数,显著提高网络流量的预测精度,预测结果明显优于对比模型.     

改进相位补偿结合谐波重构的语音增强方法

为解决传统单声道语音增强方法在对相位处理时存在的不足以及降噪过程中普遍存在的语音失真问题,提出改进相位补偿结合谐波重构的语音增强方法.通过深度学习模型估计先验信噪比并利用先验信噪比对传统相位谱补偿(PSC)函数进行改进,针对在降噪过程中出现的语音失真问题,对增强后的语音通过谐波重构进行二次增强.实验结果表明,改进相位补...     

基于相空间重构理论的电力负荷预测

研究电力负荷预测问题。针对电力负荷既受非线性变量的影响又受自身混沌性质的影响,单一预测方法无法同时完善地映射其复杂关系,导致预测精度较低。为进一步提高电力负荷预测准确度,融合相空间重构理论与支持向量机,提出了一种人工智能的新电力负荷预测方法(PSR-SVM)。首先以对数线性平稳法对初始电力负荷数据进行去趋势处理。然后基于粒子群算法对相空间重构参数与支持向量机参数进行同步优化,以最优延迟时间τ和嵌入维m进行电力负荷序列相空间重构,并以支持向量机及其最优参数构建非线性电力负荷预测模型。最后以某电力公司1978～1998的电力负荷进行仿真,结果表明,新模型预测精度明显高于参比模型,是一种高精度、可行的电力负荷预测方法。     

基于相空间重构的股价时间序列相关性分析

股指的相关性研究对于衍生产品定价、风险管理、套期保值和最优投资组合选择等都具有重要的意义。股指相关性研究大都是在线性理论的基础上,即认为股指时间序列是线性的,但是实际上,股指时间序列具有很强的非线性特征,因此在线性理论基础上得到的相关性结果具有一定的局限性。应用非线性的混沌理论,通过对沪深股指混沌时间序列进行相空间重构,建立了一个多维的股指时间序列系统。运用典型相关分析对构建的系统进行相关性计算,得到沪深股指之间的相关性。     

基于相位过渡过程的WI语音重建方法

通过研究语音残差信号的合成方法,给出了一种改进的波形内插（Waveform Interpolation,WI）编码器语音重建方案,去除了解码器中特征波形（Characteristic waveform,CW）的对齐运算。在该方案中当帧间的基音周期连续变化时,语音残差信号由幅度谱和相位轨迹直接合成,而当基音周期发生跳变时,则利用相位过渡过程合成语音残差信号。该方法大大降低了WI解码器的复杂度,同时保证了合成语音质量没有变化。     

基于相空间重构的汇率预测研究

汇率在宏观经济政策、商业经营和个人决策制定上的作用越来越重要,使其成为了研究的热点.根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力,提出了一种基于支持向量机回归的超短期汇率预测方法,并建立了模型,对美元港币的即时汇率进行了实证计算,且与BP神经网络模型进行了比较.结果表明,所建立的模型能很好地跟踪即时汇率的变化趋势,预测精度比较高且算法运行速度比BP神经网络模型快得多.     

基于相空间重构的计算机网络的动力学特性分析

文章利用相空间重构理论对网络流量数据进行研究分析,用单变量的网络流量时间序列重构与网络动力系统等距同构的相空间,进而计算网络的关联维数、Kolmogorov熵和最大Lyapunov指数,研究网络系统的这三个参数随时间的变化特性。从而指出了网络流量具有的混沌动力学行为,并为进一步利用混沌动力学理论对网络行为的控制和建模奠定了基础。     

基于相空间重构与RBF网络的心冲击波补偿研究

在基于心冲击描记图的非接触式心率检测方法中,心冲击波的真实形态容易在体动发生时被掩盖。为解决无效信号给心跳点定位造成的阻碍,提出一种相空间重构与RBF神经网络结合的体动区间波形补偿模型。首先利用改进的C-C法选取合适的重构参数,并通过动态k-均值聚类确定网络拓扑结构,将动作发生前时间序列在重构空间中的相点作为学习样本输入到模型中,进而实现对无效信号段的单步递归预测。实验结果显示,该预测模型性能良好,能够减少原始信号中不规则噪声带来的影响,经模型修正后计算逐拍心动周期的平均误差为1.27%,平均绝对误差为8.9 ms,有效避免了心跳事件的误判。     

变步长LMS算法相空间重构的AR模型预报仿真

研究船舶运动姿态预报问题,存在着预报精度不高和收敛速度慢的问题,根据船舶运动具有混沌特性的特点,提出了VSS-LMS算法重构相空间,建立AR预报模型,实现了对船舶运动姿态的预报仿真,提高了稳态的预报精度,并在初期就能很好地提高收敛速度。经实验证明,基于VSS-LMS算法的混沌相空间重构AR预报模型预报精度更高、预报时间更长,且具有更快的收敛速度,为船舶运动姿态实时在线预报提供了理论依据。