一类新的宽间隔跳频码的实现

基于ＧＦ（Ｐ）上的ｍ序列,提出了一类新的宽间隔跳频码序列,并在计算机上进行了模拟研究．其模拟结果表明：该跳频码序列的相关性和游程特性均优于最佳的跳频码序列．     

过耦合结构超导铝共面波导谐振器温度特性研究

制备了基于超导铝膜的四分之一波长反射型共面波导谐振器,并利用矢量网络分析仪测量了该谐振器在低温超导状态下的传输特性。实验结果表明:对于拥有较大耦合电容的超导共面波导谐振器,在超导状态下随着环境温度的升高,超导薄膜的表面阻抗会增大,进而谐振器的中心谐振频率降低,谐振峰变宽。温度越高,谐振频率随温度升高而向低频偏移的速率越快。另一方面,随着环境温度升高,谐振器的外部耦合品质因数和负载品质因数也都会降低。温度越高,谐振器品质因数随温度升高而降低的速率越快。用二能级理论解释了实验现象,品质因数理论计算值与实验测量结果相接近。     

基于广义Bent函数的跳频序列及其计算机模拟与分析

基于广义Ｂｅｎｔ函数，研究并设计了两种跳频序列族，着重讨论了两种序列的Ｈｍａｘ，并给出了计算机模拟与分析．     

融合改进梅尔谱特征和深信念网络的语音测谎算法

为实现非接触式谎言检测,特提出了以语谱特征为线索,结合深度学习的谎言检测方法。为提取谎言中微颤抖所引起的语谱局部能量变化,算法先对梅尔频谱进行了Hu矩处理,然后进行离散余弦变换去除相关性。该特征利用了Hu矩的正交不变性和平移不变性,能较好的体现出语谱中局部能量的集中方式。然后将所提取的特征作为改进深信念网络输入进行谎言识别。为提高受限玻尔兹曼机的并行回火训练算法中相邻温度链之间的交换率,训练算法先对Markov链的状态能量进行等能量的划分,使得每个能量环内的状态具有相似的能量,然后再进行交换以提高交换率从而优化整个网络的训练。在Columbia-SRI-Colorado数据库上的实验表明,谎言识别率达到了71.47%,比梅尔倒谱系数特征的识别率提高了3%,比传统的BayesNet分类算法提高了7%。      

采用归一化补偿变换的与文本无关的说话人识别

在噪声环境下,特别是当说话人识别最常用的模型——高斯混合模型(GMM)失配的情况下,需要对其输出帧似然概率的统计特性进行补偿。文章根据说话人识别的声学特性,提出了一种非线性变换方法——归一化补偿变换。理论分析和实验结果表明:与常用的最大似然(ML)变换相比,该变换能够提高系统识别率,最大可达3．7％,同时可降低误识率,最大可达45．1％。结果说明归一化补偿变换方法基本克服了在与文本无关说话人识别系统中,当说话人的个性特征不断变化、语音与噪声不能很好地分离或者降噪算法对语音有损伤、模型不能很好地匹配时,需要对模型输出的似然概率(得分)进行补偿的局限。这也说明对模型输出的似然概率进行处理是降低噪声和干扰的影响、提高说话人识别率的有效方法。