汉语重音的凸显度分析与合成

重音是重要的语调特征,重音合成技术可以提高语音的自然度和表现力。针对重音的局部凸显性,该文提出了声学特征凸显度的表示方法,分析了不同韵律位置(韵律词首、中、尾,韵律短语首、中、尾等)重音音节的声学特征凸显度,发现在韵律单元末(韵律词末音节和韵律短语末韵律词)的重音其基频最大值凸显度要低于非韵律单元末重音,提出了基于声学特征凸显度的非线性的重音声学参数生成算法,解决了传统重音声学参数线性修改算法的修改幅度不足或过大的问题。采用该算法建立了基于隐Markov模型的支持重音合成的语音合成系统。实验表明,该系统可以有效合成带有重音的语音,提高了合成语音的自然度和表现力。     

汉语重音的凸显度分析与合成

重音是重要的语调特征,重音合成技术可以提高语音的自然度和表现力。针对重音的局部凸显性,该文提出了声学特征凸显度的表示方法,分析了不同韵律位置(韵律词首、中、尾,韵律短语首、中、尾等)重音音节的声学特征凸显度,发现在韵律单元末(韵律词末音节和韵律短语末韵律词)的重音其基频最大值凸显度要低于非韵律单元末重音,提出了基于声学特征凸显度的非线性的重音声学参数生成算法,解决了传统重音声学参数线性修改算法的修改幅度不足或过大的问题。采用该算法建立了基于隐Markov模型的支持重音合成的语音合成系统。实验表明,该系统可以有效合成带有重音的语音,提高了合成语音的自然度和表现力。      

基于IWMMDF的液压泵振动信号特征提取方法研究

根据液压泵振动信号的非线性及信噪比低等特点,针对现有加权方法存在的不足,提出了基于改进加权多尺度形态学差值滤波器（Improved Weighting Multi-scale Morphological D-value Filter, IWMMDF）的液压泵振动信号特征提取方法。该方法首先利用不同尺度的结构元素对信号进行形态差值滤波,再根据本尺度特征能量比占所有尺度特征能量比总和的大小对各尺度的滤波结果进行加权求和。仿真实验和液压泵故障模拟试验结果表明,该方法不但避免单尺度形态分析的片面性,而且可获得不同层次上的信号特征信息,能够有效的提取液压泵振动信号的特征。     

基于亚像素区域加权能量特征的多尺度图像融合算法

对矩形和圆形区域中各像素进行亚像素划分,确定各亚像素的权值,得到基于哑像素的综合加权区域能量.融合箅法首先对源图像进行金字塔分解,然后对金字塔的高频细节分量使用基于哑像素加权区域能量特征的融合规则取大,对低频粗糙分量取平均.得到融合图像的塔形分解,最后重构融合图像.仿真结果表明,新算法融合效果较常规的区域能量特征作为融合规则的多分辨率图像融合算法效果更好,从清晰度和熵的评价来看,提高了融合图像的品质.     

汉语和英语音高重音自动标注方法的对比与分析

虽然汉语和英语的重音自动标注被广泛的研究,但是关于汉语和英语的重音自动标注之间对比的研究还鲜有报道。基于汉语韵律标注库ASCCD和英语韵律标注库Boston University Radio News Corpus,对汉语和英语的重音自动标注的异同进行对比,考察不同的特征在不同语言的语料库上的泛化性能。通过基于集成分类回归树的重音自动标注实验、特征分析及基于互信息的重音自动标注的声学对比,得到如下结论:在相同的条件下,汉语重音自动标注的正确率比英语重音自动标注的正确率要低;在重音自动标注中,词典语法相关特征比声学相关的特征更重要;不同的声学信息源在重音自动标注中所起的作用不同,时长相关的特征对汉语和英语重音自动标注都很重要;英语中大部分特征提供的互信息要比汉语相应的特征提供的互信息要高。      

音子配列学语种识别系统中特征选择方法的研究

将信息增益和加权log似然比特征选择方法应用于音子配列学语种识别系统中进行特征降维。在美国国家标准技术研究院2009年语种识别评测数据集上进行实验,分别使用信息增益和加权log似然比准则以及传统的互信息,χ2统计量方法对数量巨大的N-gram进行特征选择,从中选出最具有鉴别性的部分组成特征向量,并用分类器进行分类。结果显示,当根据信息增益和加权log似然比准则选取一定数量的特征时,系统性能与使用全部特征的基线系统相比略好;当选取的特征数量很少时,信息增益和加权log似然比方法的性能要优于传统的互信息和χ2统计量方法。实验表明,在音子配列学语种识别系统中,信息增益和加权log似然比方法均可以有效地去除冗余信息,降低特征向量的维数,并且能使系统性能得到一定的提高。      

低信噪比下基于多元变分模态分解的水下蛙人特征提取

为提高低信噪比下对蛙人辐射噪声的提取能力,提出了一种矢量多通道信号的水下蛙人辐射噪声特征提取方法。首先针对矢量多通道信号使用多元变分模态分解,得到固有模态函数。然后选取能量最高的模态函数组作为研究对象,计算该模态函数组互谱后的加权排列熵。最后提取加权排列熵频谱的蛙人特征量。海试结果表明,本方法可在无需先验信息情况下,提取由矢量水听器采集的蛙人信号特征,在检测率为80%的情况下抗噪能力较传统算法提升了10 dB。     

基于主副瓣比加权的未知线谱目标检测方法研究

针对目标辐射线谱信号未知时的目标检测问题,依据水下目标辐射噪声含有高强度稳定线谱这一特征,该文提出了一种基于波束形成主副瓣比加权的宽带波束形成目标检测方法。该方法首先用二阶锥优化各频带波束形成,得到低旁瓣高增益波束形成;其次利用各频率单元波束形成主副瓣差异形成加权因子;然后利用加权因子对各频率单元波束形成进行加权统计,可以抑制背景噪声能量干扰,增强目标检测信噪比增益,克服传统线谱检测四维显示难点。理论分析和实验结果表明：该方法可以较好地增强目标线谱单元能量、抑制噪声、提高信噪比,改善能量累积检测法在远程目标检测方面的性能。     

基于平移不变剪切波变换域图像融合算法

针对传统基于多尺度变换的图像融合方法存在的缺点,提出了一种基于平移不变剪切波变换域的自适应图像融合新方法.首先,使用平移不变剪切波变换对源图像进行分解,得到低频子带及方向带通子带系数.然后,对于低频子带系数采用梯度域奇异值分解方法估计图像的局部结构信息,提出了基于提取的特征与S函数的可变加权融合策略;对于各方向带通子带系数,提出了一种基于改进的拉普拉斯能量和匹配的“加权平均”和选择相结合的系数选择策略.最后,对得到的融合系数进行逆变换得到融合图像.通过实验可以发现相比于传统的图像融合方法,本文方法得到了更高的客观指标,融合图像视觉效果更好.     

γ指纹的特征提取及其RBF神经网络识别

为提高核材料γ指纹的识别置信度,提取了γ指纹特征峰总面积作为识别特征,并对不同强度的特征峰总面积做“反”加权处理.采用RBF神经网络识别2组差异甚微核材料的γ指纹.结果表明:与传统识别特征相比,以特征峰总面积为识别特征,既可降低信息冗余度,又能充分保留γ指纹的特征性,有效降低了识别下限.“反”加权处理方法进一步提高了识别置信度.