基于线性调频Z变换的差分吸收光谱数据处理方法研究

差分吸收光谱法(differential optical absorption spectroscopy,DOAS)是一种常用的污染气体监测方法,对所监测的光谱数据去噪可以提高反演精度。可采用傅里叶变换(fast Fourier transform, FFT)滤波法滤除光谱数据中的噪声,但该算法本身会引入误差。提出一种线性调频Z变换法(chirp Z transform,CZT),通过对傅里叶变换之后的频谱进行局部细化,能够在保留傅里叶变换滤波法去噪效果的基础上,对算法的误差进行补偿,从而进一步提高反演精度。实验配置了SO₂及NO₂进行浓度反演,结果表明,直接采用相除法反演浓度时误差较大且很不稳定,线性调频Z变换法能够获得比傅里叶变换滤波法更高的反演精度。模拟了SO₂和NO₂混合气体实验,频谱分析结果表明FFT算法无法解决特征吸收结构被扭曲、削弱等问题,CZT算法能完成特定频段频谱的精细化重构。     

基于MATLAB的线性调频Z变换及应用

作为数字信号处理的一种算法,线性调频Z变换(Chirp-Z)是适用于更为一般情况下沿螺旋曲线计算有限时宽Z变换的快速变换算法,它使得DFT的运算变得相当灵活,为数字信号处理技术应用于各种高速信号的快速处理创造了良好的条件,从而大大推动了数字信号处理技术的发展.     

基于支持向量机的图像飞机目标自动识别算法研究

为了能够快速、准确地识别飞机目标,文章给出了一种基于支持向量机的飞机目标自动识别方法;采用Touzi边缘提取,得到目标形状参数的几何特征,Hu不变矩等16个特征矢量作为SVM的训练样本,通过SVM训练得到飞机目标识别模型,从而完成飞机目标的自动识别;试验结果显示,该算法对不同尺度和模糊程度的飞机目标的识别度可达99%; 该算法减少了样本训练时间,在提高识别准确率的同时降低了算法的复杂度,具有识别度高、识别速度快的特点,可用于飞机目标的快速识别。     

基于多分类支持向量机的船舶桨叶数识别研究

分析了目前常用的支持向量机多分类方法以及存在的不足,本文提出了一种混合纠错输出编码的多分类支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶桨叶数分类的实验。理论分析与实验结果表明,该改进算法编码明确、具备纠错能力,是一种有效的多分类支持向量机方法,在船舶桨叶数识别中,其分类性能优于一对余、一对一及最小输出编码支持向量机等多分类方法,可适用于船舶桨叶数的分类识别。     

基于相关向量机的惯性约束聚变实验靶识别技术研究

针对支持向量机(Support Vector Machine,SVM)在惯件约束聚变(Inertial Confinement Fusion,ICF)实验靶识别中稀疏性不够高而导致决策速度慢的问题,提出利用相关向量机(Relevance Vector Machine,RVM)进行ICF实验靶识别.设计了基于二叉树的RVM多类分类器,在二叉树的构建过程中同时考虑了类距离与类分布范围两种凶素的影响,获得了更为合理的二叉树层次结构.实验证明,RVM与SVM相比识别率不相上下,但由于有更好的稀疏性使RVM的决策时间远比SVM短.该算法与传统的多类分类方法‘一对一'、‘一对多'、‘有向无环图'及‘基于类距离二叉树'相比,混合识别率更高.     

基于经验模态分解和支持向量机的车型声频识别

车型自动识别是智能交通系统的重要组成部分。针对现有车型识别存在的问题,提出利用经验模态分解和支持向量机的车型声频识别方法。将车辆行驶的声音信号进行分解,以分解不同模态的能量作为特征向量,并以此作为训练样本对支持向量机构成的车型识别器进行训练,通过对小汽车和卡车的声音信号处理结果表明:利用车辆声音信号能够正确识别不同的车型,识别准确率达95%,是车型识别的有效方法。     

基于DPCA与LSSVM的飞机发动机异常状态识别

针对飞机发动机异常状态识别精度差、效率低和易误诊漏诊等问题,提出了一种基于动态主元分析 (Dynamic Principal Component Analysis, DPCA)和最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)的飞机发动机润滑系统异常状态识别方法。首先对发动机润滑系统参数进行DPCA处理以及在线检测是否有故障发生,如果有故障发生,再采用LSSVM方法进行异常状态识别。以某型飞机发动机润滑系统为例,对文中所提方法的准确性进行试验验证,由试验结果得出文中方法能有效提高飞机发动机异常状态识别准确率。     

基于小波分析和SVM的人脸表情识别

提出了一种能量特征与支持向量机(SVM)相结合的面部表情识别方法。首次提出了小波能量特征在表情识别中的应用。由于小波能量特征具有表现表情纹路的能力,与人脸表情识别的要求正好相符,所以把小波能量特征加入到原始图像中,再用Fisher线性判别法(FLD)进行特征提取,然后采用SVM进行识别。通过对在日本JAFFE人脸表情库中的七种表情(生气、厌恶、恐惧、高兴、中性、悲伤、惊讶)进行实验,验证了该方法的有效性。它不仅能获得高的表情识别率,而且过程简单,易于实现。     

基于时序NDVI与光谱微分变换的森林优势树种识别

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义,也是当前亟待解决的重要科学问题。伴随遥感技术的发展,利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息,有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区,采用覆盖完整自然年的共36景高分一号（GF-1）WFV时间序列数据（16 m）,提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数（NDVI）,结合支持向量机（SVM）模型对研究区内5种典型优势树种：油松、落叶松、山杨、白桦和蒙古栎,进行不同时间尺度下（单季相、全季相、逐月和逐旬）的光谱识别研究。同时,分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果,探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示,基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果（p＜0.05）,其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果,分别提高了7.67%,6.64%和3.6%,表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要,同时秋季是采用单时相数据的最佳识别季节（p＜0.05）;在不同时间序列数据中,基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果（p＜0.05）,而基于全季相数据的光谱识别结果最低（p＜0.05）,表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外,结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高（p＜0.05）,其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%,分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据,并结合相应的微分变换方法,可以有效提高区域尺度优势树种的识别精度,为相关多光谱森林植被精细识别研究提供参考。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

实用宽带高分辨率声表面波线性调频变换功率谱仪

声表面波(SAW)线性调频变换(CZT)技术是实时傅利叶变换处理的主要支持性技术之一。其实用化研究始于七十年代末。本文将介绍作者以射电天文望远镜为直接应用对象,所研制的SKP-1型宽带高分辨率SAW功率谱仪。其中着重介绍一种扩展CZT变换器固有50%有效工作周期的新方法。并给出谱仪实验室测量的详细性能。     

Acoustic features based on auditory model and adaptive fractional Fourier transform for speech recognition

It is well known that auditory system of human beings has excellent performance which automatic speech recognition(ASR) systems can’t match,and fractional Fourier transform (FrFT) has unique advantages in non-stationary signal processing.In this paper,the Gammatone filterbank is applied to speech signals for front-end temporal filtering,and then acoustic features of the output subband signals are extracted based on fractional Fourier transform. Considering the critical effect of transform order for FrFT,an order adaptation method based on the instantaneous frequency is proposed,and its performance is compared with the method based on ambiguity function.ASR experiments are conducted on clean and noisy Putonghua digits,and the results show that the proposed features achieve significantly higher recognition rate than the MFCC baseline,and the order adaptation method based on instantaneous frequency has much lower complexity than that based on ambiguity function.Further more,the FrFT-based features achieve the highest recognition rate using the proposed order adaptation method.     

基于听觉模型与自适应分数阶Fourier变换的声学特征在语音识别中的应用

分数阶Fourier变换在处理非平稳信号尤其是chirp信号方面有着独特的优势,而人耳听觉系统具有自动语音识别系统难以比拟的优良性能。本文采用Gammatone听觉滤波器组对语音信号进行前端时域滤波,然后对输出的各个子带信号用分数阶Fourer变换方法提取声学特征。分数阶Fourier变换的阶数对其性能有着重要影响,本文针对子带时域信号提出了采用瞬时频率曲线拟合求取阶数的方法,并将其与采用模糊函数的方法作了比较。在干净与含噪汉语孤立数字库上的语音识别结果表明,采用新提出的声学特征得到的识别正确率相对MFCC基线系统有了显著提高;根据瞬时频率曲线搜索阶数的算法与模糊函数方法相比,计算量大大减少,并且根据该方法提取的声学特征得到了最高的平均识别正确率。     

基于多项式调频Fourier变换的信号分量提取方法

为了从含有噪声的混合信号中有效提取各个信号分量, 提出一种基于多项式调频Fourier变换的分量提取方法. 通过研究Fourier变换和分数阶Fourier变换的信号能量积累方式及变换基函数的时频表示, 提出利用时频平面上的多项式调频曲线族代替Fourier变换和分数阶Fourier 变换的调频直线族, 将变换的适用范围扩展到非线性调频信号. 采用粒子群智能优化算法搜索调频曲线族的最优多项式参数, 使混合信号中的某一分量在多项式调频Fourier域上能量谱集中. 最后对能量谱集中的分量进行窄带滤波, 并利用多项式调频逆Fourier变换重构信号分量. 仿真实验结果表明, 该方法不仅能够提取混合信号中的线性调频分量, 还能够实现非线性调频分量的能量谱集中、信号分离和时频特征提取.     

基于K-L变换的虹膜识别方法

提出了一种基于K-L变换和最近邻分类器的虹膜识别方法。该方法采用K-L变换得到一组虹膜图像基,并利用这组基图像构造一子空间,将待识别图像在这个空间上的投影系数作为待识别图像的特征向量。采用最近邻分类器进行了分类。基于CASIA虹膜数据库的试验表明,将K-L变换应用在虹膜特征提取上可以取得较高的识别率。     

基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

一种改进的DNN-HMM的语音识别方法*

针对深度神经网络与隐马尔可夫模型(DNN-HMM)结合的声学模型在语音识别过程中建模能力有限等问题,提出了一种改进的DNN-HMM模型语音识别算法。首先根据深度置信网络(DBN)结合深度玻尔兹曼机(DBM),建立深度神经网络声学模型,然后提取梅尔频率倒谱系数(MFCC)和对数域的Mel滤波器组系数(Fbank)作为声学特征参数,通过TIMIT语音数据集进行实验。实验结果表明:结合了DBM的DNN-HMM模型相比DNN-HMM模型更具优势,其中,使用MFCC声学特征在词错误率与句错误率方面分别下降了1.26%和0.20%。此外,使用默认滤波器组的Fbank特征在词错误率与句错误率方面分别下降了0.48%和0.82%,并且适量增加滤波器组可以降低错误率。总之,研究取得句错误率与词错误率分别降低到21.06%和3.12%的好成绩。     

Target recognition in clutter scene based on wavelet transform

Edge extraction based on wavelet for optical correlation detection is presented. Optical experiments with joint transform correlator (JTC) show that there is a bright application prospect in the field of optical correlation detection by extracting the edge features of input image with the method of wavelet transform. In the course of processing, the multi-scale character of wavelet is used sufficiently. The energy of correlation peaks and the detection ratio of various targets are greatly enhanced by the approach. To demonstrate the feasibility of edges extraction based on WT, small targets and targets in clutter scene are successfully detected.     

帧同步混合小波包变换模拟听觉模型的语音增强的研究

首先介绍了帧同步混合小波包的分析方法。该方法结合了小波包时频窗口可变的特点和STFT的分帧处理形式。它既能够保证语音信号处理中帧长的要求,即可实时处理,义能获得对信号频域上的最佳分解,是一种类似FFT的小波包的快速算法。在此基础上,应用该方法模拟了听觉模型,并运用于语音增强。实验表明,即使在-5 dB低信噪比的条件下,也能获得良好的除噪效果和听觉效果。该方法还可运用于语音的编码、合成和识别等领域。     

一种区分性互补系统构造与融合的语音识别方法

在区分性训练的框架下,提出了一种基于混淆信息加权的互补系统构造方法。首先通过统计音素对的混淆信息,利用混淆信息给音素对加以不同的惩罚权重,分别以基线系统中的3个最优识别结果作为参考,计算混淆信息加权后的音素准确率,同时以正确的标注为参考计算标准的音素准确率。然后通过同时最大化混淆信息加权后的音素准确率和最小化标准音素准确率,构建模型层互补系统,并进一步通过结合RDLT (region-dependent linear transform)特征变换过程构造特征层的互补系统。实验结果表明,与互补最小音素错误准则相比,融合模型层互补系统后识别率提高了0.76%,同时融合特征层和模型层的互补系统识别率提高了1.35%。本方法可以增大互补系统间的差异性,提高系统融合后的识别性能。