利用自相关函数和双耳自相关函数分析对交通噪声特征参量的提取~

对实地双通道测量获得的道路交通噪声和铁路噪声信号样本进行了自相关函数和双耳自相关函数(Interaural CrossCorrelation Function)的分析。进而通过对噪声样本时间因子和空间因子的相关性分析、主成分分析和主观评价实验,得到了3个铁路噪声源特征参量物理因子和4个道路交通噪声源特征参量物理因子。发现与传统的声压级测量相比,表征声音信号时间特性和空间特性的这7个物理量可以更全面、准确地表征交通噪声的特性。在对道路噪声进行测量或分析时,掌握与声源视觉宽度和音调感相对应的物理因子以及双耳时延和初始能量,就可获悉与人的主观评价相一致的道路交通噪声特征信息;对铁路噪声而言,掌握与声源视觉宽度相对应的物理因子以及双耳时延和声音的重复性特征,就可以得到与入主观评价相一致的铁路噪声特征信息。综合道路噪声特征参量和铁路噪声特征参量可以发现,双耳时延和与声源视觉宽度相对应的物理因子是与人的主观反应最为一致的主成分指标,说明噪声中决定人的评价的最主要的因素是代表空间特征的信号因子。      

车辆噪声烦恼度的音色表达

烦恼度作为评价噪声对人影响的重要指标,受到广泛重视并获得应用。通过主观评价实验和数据统计分析,从音色角度对城市典型车辆噪声烦恼度进行建模并给予物理解释。研究发现:(1)车辆噪声烦恼度音色空间由四个维度构成;(2)利用多元线性回归方法给出的车辆噪声烦恼度模型与声样本烦恼度拟合较好;(3)烦恼度空间维度与特定频谱特性具有较高的相关性。研究结果为车辆噪声烦恼度建模及降噪设计提供了新的思路。      

几类典型环境声的主观评价及感知特性分析

近年来,通过“注入”调控声以降低交通噪声烦恼感的声频注入法受到广泛关注。以交通噪声调控研究为背景,通过成对比较评价了4类典型声音(实验一)和4类典型交通噪声(实验二)的烦恼感。结果表明,有调声(纯音和复音)烦恼度最高,自然声最低(海潮声最佳),蓝色噪声是仅次于海潮声令人感觉舒适的声音;被试对交通噪声和白噪声的评价存在明显的分类偏好。分析心理声学特征发现人对声音的感知依赖于多方面因素,但声刺激的某一因素(如粗糙度或音调特别高)特别突出则会引起极大的反感。构建不相似度二维感知空间,维度1反映了声音类型间的差异,维度2表征了被试对不同类型声音的烦恼度评价;并且通过相关分析发现它们与谱结构参量相关性较强。接下来的研究中,可以通过调整交通噪声的谱下降值和时域上升时间等参量使其谱结构更接近于自然声,从而降低噪声烦恼度。     

汉语语境下的车辆噪声听觉属性评价与分析

研究了等响度车辆噪声听觉属性的空间维度及其汉语表述.首先通过问卷调查确定评价车辆噪声听觉属性的汉语描述词,然后完成基于成对比较法和语义细分法的主观评价实验,获得听觉属性的不相似度矩阵及描述词的等级顺序.最后,利用多维尺度分析和主成分分析法得到独立的用中文表达的车辆噪声听觉属性,结果表明:对于等响度的车辆噪声,其听觉属性可以用三个维度表示,分别用"粗糙"、"刺耳"和"起伏"描述.     

活体浮游植物同步荧光光谱特征分析研究

测量了东海五种常见浮游植物在3个温度(25,20,15 ℃)、3个光照(7 000,4 100,1 100 Lx)下的不同生长期的同步扫描荧光光谱,对其进行了多项式平滑和归一化处理,考察了同种藻的光谱相似性,并运用主成分分析确立了其标准谱。分析结果表明,中肋骨条藻(Skeletonema costatuma, Sk)、等鞭金藻(Isochrysis galbana, Is)、岛国大扁藻(Platymonas helgolanidica, Pl)的特征光谱相似度高,塔玛亚历山大藻(Alexandrium tamarense)和裸甲藻(Gymnodinium stein)的光谱相似度稍差。实验所用的硅藻中肋骨条藻与甲藻塔玛亚历山大藻、裸甲藻的标准光谱明显不同。     

基于物联网和PCA支持向量机的交通流量预测系统

为了解决已有交通流量监测系统存在的数据采集分散、车辆识别度低、实时性差和流量预测误差大等问题,设计了一种基于物联网技术和最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)的交通流量预测系统;首先,描述了系统原理和部署模型,然后对系统的硬件即车载传感器节点和Sink节点进行了设计,同时对系统的软件流程进行了描述,通过在监控中心执行PCA主成分分析方法实现对采集数据提取独立主成分,消除无关冗余数据,在此基础上采用LSSVM实现道路交流流量预测;最后,在十字路口布置实验环境,实验结果表明:文章方法能实时精确地实现交通流量预测,与其它方法相比,具有拟合精度高和的泛化能力强的优点,具有很强的实用性。     

基于相似性分类的高光谱主成分融合方法比较

为了提高复杂场景弱小目标高光谱融合图像的质量,提出了基于相似性分类的主成分融合方法。光谱数据像素向量的相似性测度分类产生类矩阵,通过由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据,获得降维数据矩阵。对比了传统PCA与基于欧式距离分类的PCA(ED_PCA)、基于光谱角分类的PCA(SA_PCA)、基于光谱信息散度分类的PCA(SID_PCA)和基于正交投影散度分类的PCA(OPD_PCA)四种改进方法的融合性能。实验结果表明:SA_PCA和SID_PCA方法兼具了ED_PCA和OPD_PCA的优点,对比度提升较好,阈值参数不敏感,运行时间较短。     

采用生理响度感知机制的车内噪声声品质预测

现有车内噪声声品质预测的响度计算中没有考虑真实人耳生理解剖结构的传声特性,因此提出了一种基于生理响度感知模型的车内噪声声品质预估方法。首先,采集两款轿车的车内噪声样本,并通过主观评价试验得到车内噪声的主观评价烦恼度。之后,整合中耳集总参数模型与耳蜗传输线模型,构建生理响度模型。然后,以生理响度模型的响度计算值为主要参数,结合尖锐度、粗糙度与车内噪声的主观评价值,通过TabNet模型构建了车辆声品质预测模型。最终,对比分析了所构建声品质模型与基于现有标准响度模型所构建的声品质模型的预测效果。结果表明,采用生理响度模型的声品质预测平均误差百分比仅有4.73%,优于采用Moore响度(6.13%)与Zwicker响度(6.94%)的声品质预测结果。此外,所构建的TabNet声品质预测模型的平均误差百分比也低于基于BP神经网络模型的平均误差百分比(7.60%)。采用生理响度模型的TabNet声品质预测能够提高车内噪声声品质客观评价的准确率。     

主成分分析在舰船辐射噪声分类识别中的应用

主成分分析(PCA)是经典的多元统计分析方法,在处理多变量综合问题方面有比较突出的优势。本文主要探讨了主成分分析在舰船辐射噪声信号分类识别中的应用。在经典功率谱的基础上尝试将PCA技术运用在两种不同的方法中,对两种舰船辐射噪声进行了特征提取和分类识别,得到了较好的效果。     

一种新的恒星大气物理参数自动估计方案SVR(Haar)

提出了一种新的恒星大气物理参数自动估计的新方案,并称之为SVR(Haar)。由于观测光谱受到大量宇宙辐射、大气和观测设备等引起的噪声干扰,且这种噪声干扰往往是其中的频率较高成分。所以该方案的基本思想是首先使用Haar小波剔除高频噪声成份,以提高恒星大气物理参数估计的准确性;然后使用支持向量机回归方法(SVR)对恒星参数做出估计,该方法能通过ε不敏感域进一步提高对光谱微小畸变和干扰的容许能力,增强解决方案的鲁棒性。为了验证SVR(Haar)方案的有效性,针对相关研究中的权威模拟恒星光谱和SLOAN发布的实测光谱,以及文献中的典型处理方法,做了大量比较实验。实验结果表明,所提出的SVR(Haar)恒星参数估计方案比文献中常用的主成分分析和非参数回归模型均要好。