采用压缩感知的改进的语音转换算法

提出了一种基于压缩感知的考虑语音帧间信息的语音转换算法。根据连续多帧语音的线谱对参数所构成的矢量在离散余弦变换域具有稀疏性,利用压缩感知技术对该矢量压缩成短矢量,并将该压缩后的短矢量作为特征参数训练语音转换函数。实验测试结果表明,选择合适的语音帧数时,该算法的性能要比传统的采用加权频率卷绕的转换算法提高3.21%。这说明,充分有效地利用语音帧间的相关信息会使转换语音保持更稳定的帧间声学特性,有利于提高语音转换系统的性能,     

基于压缩感知超分辨鬼成像

分辨率是成像系统的一个重要参数, 获得高分辨率图像一直是鬼成像系统的一个目标. 本文提出了以成像系统点扩散函数作为先验知识, 基于稀疏测量的超分辨压缩感知鬼成像重建模型. 搭建了一套计算鬼成像实验装置, 用于验证该模型对于提高鬼成像系统分辨率的有效性, 并与传统的鬼成像计算模型进行了对比. 实验表明, 利用该模型可突破成像系统衍射极限分辨率的限制, 得到超分辨鬼成像. 关键词： 鬼成像 压缩感知 超分辨 稀疏测量     

分块稀疏信号1-bit压缩感知重建方法

1-bit压缩感知理论指出:对稀疏信号进行少量线性投影并对投影信号进行1-bit量化,该1-bit信号包含足够的信息,从而能对原始信号进行高精度重建.然而,当信号难以进行稀疏表达时,传统1-bit压缩感知算法无法精确重建原始信号.前期研究表明,分块稀疏模型作为一种特殊的结构型稀疏模型,对于难以用传统稀疏模型进行表达的信号具有较好的表达作用.本文提出了一种针对分块稀疏信号的1-bit压缩感知重建方法,该方法利用分块稀疏的统计特性对信号进行数学建模,通过变分贝叶斯推断方法进行信号重建并在光电容积脉搏波(photoplethysmography)信号上进行了实验验证.实验结果表明,与现有1-bit压缩感知重建方法相比,本文方法重建精度更高,且收敛速度更快.     

基于渐进添边的准循环压缩感知时延估计算法

针对时延估计问题中压缩感知类算法现有测量矩阵需要大量数据存储量的问题,提出了一种基于渐进添边的准循环压缩感知时延估计算法,实现了稀疏测量矩阵条件下接收信号时延的准确估计.该算法首先建立压缩感知与最大似然译码之间的理论桥梁,然后推导基于低密度奇偶校验码的测量矩阵的设计准则,引入渐进添边的思想构造具有准循环结构的稀疏测量矩阵,最后利用正交匹配追踪算法正确估计出时延.对本文算法的计算复杂度与测量矩阵的数据存储量进行理论分析.仿真结果表明,所提算法在测量矩阵维数相同的条件下正确重构概率高于高斯随机矩阵和随机奇偶校验测量矩阵,相比于随机奇偶校验矩阵,在数据存储量相等的条件下,以较少的计算复杂度代价得到了重构概率的较大提高.     

时变水声信道的动态压缩感知估计

水声多径信道具有的稀疏特性已被应用于设计稀疏估计方法提高信道估计性能。然而,水声信道具有的快速时变特性,给传统稀疏信道估计方法带来了很大的困难。考虑到水声信道除了高时变性多径,还存在着相对静止,缓慢变化的直达径或者海底反射径,通过将水声信道建模为由静态和时变稀疏支撑集组成,把时变水声信道估计转化为动态压缩感知问题。结合卡尔曼滤波和压缩感知理论,并采用原始对偶追踪算法求解Dantzig selector模型,从而实现对复数域基于卡尔曼滤波器的压缩感知稀疏求解问题的处理。信道时变条件下的数值仿真及基于信道估计的判决反馈均衡器的海上实验结果表明,该算法相对经典的正交匹配追踪和最小二乘QR分解算法具有较明显的性能改善。从而说明,通过对时变水声信道进行动态压缩感知估计可有效提高估计性能。     

基于听觉感知的语音稀疏表示及压缩感知*

本文针对语音信号稀疏表示及压缩感知问题,将听觉感知引入稀疏系数筛选过程,用掩蔽阈值筛选重要系数,以得到更符合听觉感受的语音稀疏表示。通过对一帧浊音信号分别采用掩蔽阈值和能量阈值方法进行系数筛选对比实验,结果表明掩蔽阈值法具有更好的稀疏表示效果。为验证听觉感知对语音压缩感知性能的影响,与能量阈值法对照对测试语音进行压缩感知观测和重构,通过压缩比、信噪比、主观平均意见分等主客观指标评价其性能,结果表明,掩蔽阈值法可有效地提高压缩比且保证重构语音具有较高的主观听觉质量。     

压缩感知的远场亚波长声成像仿真

压缩感知算法可以利用信号的稀疏性较好地分辨出两个相距较远的目标,但是当两个目标相距较近时仅利用压缩感知算法,分辨性能较差;另外,当分辨目标为硬散射体时,由于偶极散射的影响,分辨性能也会变得较差。考虑到上述两个问题,该文提出了以下解决方案：针对第一个问题,该文将声学超透镜和压缩感知算法进行结合;针对第二个问题,该文提出在压缩感知算法中考虑偶极散射分量的影响。根据上述方案进行仿真,仿真结果证明了在加入声超透镜并考虑偶极散射以后,硬散射体目标在相距较近时实现了较好的分辨率。     

基于改进的分块压缩感知红外图像重建

针对基于压缩感知理论的红外图像重建问题,提出一种基于改进的分块压缩感知红外图像重建方法。该方法首先对原始红外图像进行分块,并对每个子块用相同的观测矩阵进行随机观测,获得少量的观测数据;然后利用谱图小波变换优异的稀疏特性,将其引入平滑投影Landweber算法进行迭代优化重建,同时采用混合中值滤波进行处理以增加图像的平滑度和减少块伪影,最后输出满足要求的高质量红外图像。实验结果表明,在相同采样率下,该方法对于不同类型红外图像的重建性能均优于目前广为采用的一些小波压缩感知方法,可获得更高质量的红外图像。     

基于压缩感知理论的非线性γ谱分析方法

γ谱分析是一种重要的放射性核素定量分析方法. 弱峰的检测和重叠峰的分解是γ 谱分析中的难点. 为了解决这两个问题, 基于压缩感知理论, 提出了一种新的γ 谱分析方法. 这一方法从谱仪对γ 谱调制的物理机理出发, 通过数学建模, 将γ 谱分析转化为一个以真实γ 谱为解的求逆问题, 并在压缩感知理论框架下, 运用γ 谱特征峰的稀疏性, 进行逆问题的求解, 直接获得γ 谱的估计结果. 数值模拟结果和蒙特卡洛模拟结果表明: 该方法能在降低统计涨落的同时, 有效减小谱仪调制带来的能谱展宽, 从而提高γ 谱分析精度. 关键词： γ谱分析')" href="#">γ谱分析 压缩感知 非线性 逆问题     

联合重叠压缩感知法消除水声通信系统限幅噪声

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)水声通信系统的高峰值平均功率比(Peakto-Average Ratio,PAPR)问题,在发射端采用了压扩变换法和限幅法联合的方法降低PAPR。由于限幅法会产生带内干扰和带外噪声,降低通信系统的误码性能,因此利用限幅噪声的稀疏性,在接收端采用压缩感知(Compressed Sensing,CS)法对限幅噪声进行估计和恢复。限幅噪声的估计受信道估计准确性的影响,为提高限幅噪声估计的准确度,提出了重叠压缩感知算法,在恢复限幅噪声的过程中利用了压缩感知信道估计法估计所得的信道信息和发射数据对限幅噪声进行估计,有效降低了限幅法对系统误码性能的影响。仿真和水池实验验证了该算法的有效性。     

基于平均模型和误差削减网络的语音转换系统*

现阶段用于语音转换的深度学习方法多是通过使用大量的训练数据来生成高质量的语音。本文提出了一种基于平均模型和误差削减网络的语音转换框架,可用于有限数量的训练数据。首先,基于CBHG网络的平均模型使用排除源说话人和目标说话人的多说话人语音数据进行训练;然后,在有限数量的目标语音数据下对平均模型执行自适应训练;最后,提出一种误差削减网络,可以进一步改善转换后语音的质量。实验表明,所提出的语音转换框架可以灵活地处理有限的训练数据,并且在客观和主观评估方面均优于传统框架。     

基于块稀疏贝叶斯学习的多任务压缩感知重构算法

本文提出一种基于块稀疏贝叶斯学习的多任务压缩感知重构算法, 利用块稀疏的单测量矢量模型求解多任务重构问题. 通过对信号统的计特性和稀疏块内的结构特性进行联合数学建模, 将稀疏重构问题转贝叶斯框架下的特征参数的迭代更新问题. 本文算法不需要信号稀疏度和噪声强度的先验信息, 是一种高效的盲重构算法. 仿真实验表明, 本文算法能有效利用信号的统计特性和结构信息, 在重构精度和收敛速率方面能够很好地折衷.     

采用联合字典优化的噪声鲁棒性语音转换算法

针对含噪语音难以实现有效的语音转换,本文提出了一种采用联合字典优化的噪声鲁棒性语音转换算法。在联合字典的构成中,语音字典采用后向剔除算法(Backward Elimination algorithm,BE)进行优化,同时引入噪声字典,使得含噪语音与联合字典相匹配。实验结果表明,在保证转换效果的前提下,后向剔除算法能够减少字典帧数,降低计算量。在低信噪比和多种噪声环境下,本文算法与传统NMF算法和基于谱减法消噪的NMF转换算法相比具有更好的转换效果,噪声字典的引入提升了语音转换系统的噪声鲁棒性。     

Adaptive fixed-point iterative shrinkage/thresholding algorithm for MR imaging reconstruction using compressed sensing

Recently compressed sensing (CS) has been applied to under-sampling MR image reconstruction for significantly reducing signal acquisition time. To guarantee the accuracy and efficiency of the CS-based MR image reconstruction, it necessitates determining several regularization and algorithm-introduced parameters properly in practical implementations. The regularization parameter is used to control the trade-off between the sparsity of MR image and the fidelity measures of k-space data, and thus has an important effect on the reconstructed image quality. The algorithm-introduced parameters determine the global convergence rate of the algorithm itself. These parameters make CS-based MR image reconstruction a more difficult scheme than traditional Fourier-based method while implemented on a clinical MR scanner. In this paper, we propose a new approach that reveals that the regularization parameter can be taken as a threshold in a fixed-point iterative shrinkage/thresholding algorithm (FPIST) and chosen by employing minimax threshold selection method. No extra parameter is introduced by FPIST. The simulation results on synthetic and real complex-valued MRI data show that the proposed method can adaptively choose the regularization parameter and effectively achieve high reconstruction quality. The proposed method should prove very useful for practical CS-based MRI applications.