信息安全等级保护中等级测评的CAE建模

CAE模型具有很强的层次性与结构性,被广泛用于复杂的信息安全测评过程中.采用CAE模型对等级测评的过程进行建模,将测评过程的多个层面简化为声明论据证据三种层次,并从测评指标的选择和测评结果的融合两个方面具体说明了CAE模型的作用.结果表明等级测评的过程完全可以归纳入CAE模型中,等级测评的过程与CAE模型的分解和推理过程是一致的,进一步验证了信息安全等级保护标准支持下的等级测评的有效性和合理性.     

基于多元Taylor级数和AFS的混合定位算法

针对传统Taylor级数定位算法存在精度严重依赖初始值,导致定位精确度不高的缺陷,结合人工鱼群算法和多元Taylor级数展开算法的优点,提出了一种基于人工鱼群算法初值选取与多元Taylor级数展开算法精确求解的混合定位方法。算法充分发挥了人工鱼群算法初值估计性能良好和多元Taylor级数展开算法求解精度高的优点。仿真结果表明:上述算法减少了鱼群数目和迭代次数的选取对定位精度的影响,混合定位算法的精度更高。     

感知联合优化的深度神经网络语音增强方法

基于深度神经网络的语音增强模型的训练一般采用均方误差作为代价函数,没有针对语音增强问题进行优化。针对这一问题,从相邻帧网络输出之间的相关性和各时频单元的语音存在情况两方面进行考虑;通过在代价函数中对相邻帧的网络输出进行关联,并设计一个反映时频单元语音存在情况的感知系数,提出了一种感知联合优化的深度神经网络语音增强方法。实验结果表明,相比基于均方误差的语音增强方法,该方法显著地提高了增强语音的语音质量和可懂度,具有更好的语音增强性能。     

一种基于时频域特征融合的语音增强方法

为充分利用含噪语音特征来提升深度神经网络的语音增强性能,提出一种融合时频域特征的语音增强方法.以含噪语音的波形和纯净语音的对数功率谱分别作为训练特征和训练目标,获取含噪语音时域特征到纯净语音频域特征的映射关系.将含噪语音的波形和对数功率谱共同作为训练特征,构建融合含噪语音时域和频域特征的深度神经网络实现语音增强.实验结...     

基于感知条件网络的可控语音增强模型

为了给不同听者在不同场景下提供更好的语音增强主观听觉感受,提出了一种基于感知条件网络的可控语音增强模型。首先设计分位数损失函数来对语音的高估和低估进行权衡,并以此来指导网络的训练,通过调节网络输出中的语音损失和噪声残留水平,来控制模型的输出特性。然后为了让单个网络具有可变的输出特性,引入条件网络,利用分位数损失函数中与听者感知相关的分位值产生条件信息来对含噪语音特征进行调制,建立了可控的语音增强模型。实验结果表明,设计的分位数损失函数能够有效调节增强语音中的语音损失和噪声残留水平;基于感知条件网络建立的可控语音增强模型,能够提供可由听者主动控制的增强语音输出特性,使听者获得更好的语音增强体验。     

基于伏安电子舌的枸杞产地快速辨识

提出一种基于希尔伯特—黄变换(HHT)—线性判别分析(LDA)的枸杞产地电子舌辨识方法。以宁夏、新疆、甘肃、青海4个产地的枸杞为试验材料,采用伏安电子舌采集不同产地枸杞的"指纹图谱"信息,利用集合经验模态分解(EEMD)对电子舌原始信号进行多尺度分解得到一组本征模态函数(IMF),分别求取其奇异谱熵和Hilbert边际谱作为特征向量。在该基础上,利用LDA建立枸杞产地非线性组合预测模型。试验结果表明,HHTLDA与分别采用特征点提取(FPE)、主成分分析(PCA)和离散小波变换(DWT)的算法相比,具有更好的分类效果。对未知产地枸杞的总体分类精度和kappa系数分别达到98%和0.973,均表明该模型具有较好的鉴别效果。     

一种用于语音增强的卷积门控循环网络

为了充分利用含噪语音特征来提高语音增强网络的性能,基于含噪语音在时间和频率两个维度上的相关性,本文结合卷积神经网络的局部特征提取能力和门控循环单元的长期依赖建模能力,设计了一种适用于语音增强的卷积门控循环网络.该网络采用卷积网络结构代替全连接网络结构来改进门控循环单元中的特征计算过程,从而能够更好地保留含噪语音特征中的时频结构信息.实验结果表明,与其它语音增强网络相比,本文网络在语音成分的保留和噪声成分的抑制上具有明显优势,增强后语音具有更好的语音质量和可懂度.     

基于多元变量Taylor级数展开模型的定位算法*

为了进一步提高无线传感器网络的定位精度,通过考虑未知传感器之间的距离信息,构建了多元变量Taylor级数展开的定位模型。在对该模型求解过程中,首先利用三边测距法得到未知传感器的初始位置,再采用加权最小二乘法计算其最优值作为未知传感器的估计位置。为评价该算法的性能,对定位结果的Cramer-Rao下界(CRLB)进行了推导。仿真测试了不同距离测量误差和已知传感器数目对定位误差的影响,以及算法的累积分布函数(CDF)。仿真结果表明,该算法有效地提高了定位精度,且定位误差非常接近CRLB。     

利用生成噪声提高语音增强方法的泛化能力

如何提高对未知噪声类型的泛化能力是有监督语音增强方法中亟待解决的重要问题,通过对大量不同类型噪声进行建模,深度神经网络成为了解决该问题的有效手段.为了进一步提高基于深度神经网络的语音增强方法的泛化能力,本文基于生成式对抗网络（Generative Adversarial Networks,GAN）设计了能够由真实噪声数据生成新的噪声类型的NoiseGAN;通过在训练集中增加生成噪声类型,提高训练集噪声类型的多样性,从而达到提高语音增强模型泛化能力的目的.不同结构的网络下的语音增强实验结果表明,本文提出的NoiseGAN能够生成新的噪声类型,具备提高训练集噪声类型多样性的能力,有效提高了语音增强模型在未知噪声类型下的泛化能力.     

基于卷积神经网络的超宽带信道环境的分类算法

针对非视距（NLOS）状态鉴别需要已知信道类型的分类的问题，提出了一种基于卷积神经网络（CNN）的信道环境分类算法。首先，对超宽带（UWB）信道进行采样，构建样本集合；然后，利用样本集合训练CNN，对不同的信道场景特征进行提取；最终实现超宽带信道环境的分类。实验结果表明：所采用的分类方法的总模型准确率约为93.40%，能有效地实现信道环境的分类识别。