基于改进的隐马尔可夫和神经网络混合模型的语音识别

研究了一种非齐次隐马尔可夫模型（Inhomogeneous Hidden Markov Model），然后将自组织特征映射神经网络与这种非齐次隐马尔可夫模型相结合，训练出抗噪声的HMM模型，并应用该混合模型进行语音识别。实验结果表明，该模型适合于对噪声背景下的语音进行识别。该模型具有更好的抗噪鲁棒性，在信噪比较低的情况下（5dB-10dB），识别率可以提高5％左右。     

基于连续HMM的汉语数码语音识别系统

探讨了连续隐马尔可夫模型的基本原理及其在汉语数码语音识别中的应用,实现了一个汉语数码语音识别系统,其正确识别率达到99%以上。     

基于单层感知器的彩色图像目标提取方法

针对复杂背号下的彩色图像的目标提取,提出了一种基于单层感知器的目标提取方法。通过建立以颜色分量为输入、阈值型函数为输出的单层感知器网络并训练得到最适权重,实现彩色图像的目标与背景分离。与现有主流目标提取算法进行对比实验,结果表明,该方法能够更加准确、有效地分离目标和背景,且方法适用范围广,实现简单。     

一种检测低信噪比下未知波形时变相干信号的方法*

从获取的数据中检测目标信号,是雷达、声呐等领域重要的研究内容。时频域严重畸变的回波信号以及时变线谱信号的自适应检测,具有重要意义。为了挖掘和推广自适应相干累积（Adaptive Coherent Integration,ACI）技术在未知时变信号检测领域的能力,本文给出了ACI算法的基本原理,并进行了系统性地理论推导,得到了ACI算法的宽带时变自回归滑动平均模型（ARMA）和窄带复解析模型。利用这些模型解释了产生信号相干累积的机理,分析得出了产生相干累积的条件,揭示了这种时变系统的许多奇异特性。结合仿真实验和实际海上实验数据对ACI算法展开验证,结果表明ACI算法对于低信噪比下未知波形信号具有优异的检测能力,展示出ACI算法在水下探测等相关领域存在广泛的实际应用前景。     

低信噪比环境下的实时聚焦方法研究

低信噪比环境下,人们运用中值滤波与维纳滤波等作为图像预处理手段获得了一定的效果,但是图像预处理严重地影响了对焦速度。在低信噪比环境下所提出的避开图像预处理的最佳自动对焦方案为:首先,采用HSI分析法把RGB彩色图像转换为亮度信号;其次,利用能量梯度算子作为图像评价函数;最后,运用爬山算法控制策略进行自动对焦。结果表明,此方案的运算时间优势非常明显,对焦准确度最佳,可满足实时对焦系统的对焦速度与对焦准确度的要求。     

基于改进卷积神经网络算法的语音识别

为了解决传统卷积神经网络识别连续语音数据时识别性能较差的问题,提出一种改进的卷积神经网络算法。该方法引入Fisher准则以及L2正则化约束,在反向传播调整参数阶段,既保证参数误差的最小化,又确保分类以后的样本类间分布较分散,类内分布较集中,同时保证网络权值具有合适的数量级以有效缓解过拟合问题;采用一种更符合生物神经元激活特性的新型log激活函数进行卷积神经网络的优化,进一步提高语音识别的正确率。在语音识别库TIMIT以及THCHS30上的实验结果表明,相较于传统卷积神经网络算法,本文提出的改进算法能较好的提高语音识别率,且泛化能力更强。     

相干多普勒测风激光雷达低信噪比区域回波信号的估计方法

相干多普勒测风激光雷达通常会采用周期图最大值法（PM）提取不同距离门信号的多普勒频移（对应风速）信息。由于噪声和相干效率的影响,个别距离门信号会出现信噪比（SNR）突然降低的情况,从而导致系统的探测概率降低,影响系统整体的探测性能。为了解决个别距离门信号多普勒频移的错误估计问题,提出了一种新的非线性自适应多普勒频移估计方法。该方法利用风速的连续性,标定错误距离门,并自适应地利用强信噪比区域的多普勒频移统计数据来弥补信噪比变差而出现的估计错误。分别利用了仿真模型和一套1.54μm全光纤相干激光雷达系统获得了风场测量数据,对比了使用该技术前后反演得到的风速趋势,证明该方法能够有效地解决上述问题。     

基于隐马尔可夫链模型的软件维护性评估方法研究

针对当前软件可维护性评估主观性强,可操作性弱等问题,提出了定量描述维护性的维护时间统计概率描述方法,引入隐马尔可夫链(HMC)模型对维护性状态变迁过程进行描述,以可度量的维护性内部属性影响因素集量化值为观测序列,以维护时间统计概率为状态序列,构造了反映可维护性状态转移的HMC模型。收集配置管理库中软件模块历史维护时间从而确定完成维护任务频率来估计软件维护性初始状态,利用复杂网络特性计算软件维护性影响因素集的量化值,理论上即可评估出当前软件所处的维护性状态,最后运用实例对模型进行了训练与评估。结果表明,利用模型评估出的概率与实际维护任务统计出的可维护性概率基本一致,说明该方法可行且可重复,具有一定实践意义和研究前景。     

基于最大似然多项式回归的鲁棒语音识别

本文针对最大似然线性回归算法线性假设的缺点,将多项式回归方法用于模型自适应,构建了基于最大似然多项式回归的非线性模型自适应算法。该算法在对数谱域用多项式回归方法,逼近每个Mel子带上识别环境模型均值与训练环境模型均值之间的非线性关系。多项式系数通过EM算法和最大似然准则从识别环境下的少量自适应数据中估计。实验结果表明,二阶多项式就可以较好地逼近模型均值的非线性环境变换关系。在噪声补偿和说话人自适应实验中,最大似然多项式回归算法的误识率都明显低于最大似然线性回归算法。本文算法较好地克服了线性模型自适应算法线性假设的缺陷,可同时减小噪声,和说话人的改变或其它因素对语音识别系统的影响,尤其适合说话人和噪声的联合自适应。     

面向语音增强的序贯隐马尔可夫模型时频语音存在概率估计

语音存在概率的估计是语音增强的核心技术之一,针对传统的存在概率估计方法是启发式的,没有把存在概率的估计统一到一个理论框架之中,不能保证估计最优,提出了一种基于序贯隐马尔可夫模型(SHMM)的存在概率估计方法,在每一子带上构建一个SHMM模型描述对数功率谱包络的时间序列,把谱包络序列看作一个在语音和噪声状态之间转移的动态一阶马尔可夫链,采用单高斯函数构建每一状态的概率模型,语音状态的后验概率即为语音信号的存在概率。为了满足算法实时性要求,SHMM参数估计简化为一阶回归过程,根据极大似然准则逐帧更新模型参数。实验表明:SHMM所描述的时序相关性对存在概率的估计起到关键作用,它优于一般的启发式估计方法;SHMM算法的语音增强分段信噪比(SegSNR)和对数谱失真(LSD)性能优于经典的改进型最小统计量控制递归平均(IMCRA)算法。     

低信噪比下采用感知语谱结构边界参数的语音端点检测算法

提出了一种采用感知语谱结构边界参数(PSSB)的语音端点检测算法,用于在低信噪比环境下的语音信号预处理。在对含噪语音进行基于听觉感知特性的语音增强之后,针对语音信号的连续分布特性与残留噪声的随机分布特性之间的不同点,对增强后语音的时-频语谱进行二维增强,从而进一步突出连续分布的纯净语音的语谱结构。通过对增强后语音语谱结构的二维边界检测,提出PSSB参数,并用于端点检测。实验结果表明,在白噪声-10 dB到10 dB的各种信噪比环境下,采用PSSB参数的端点检测算法,相对于其它端点检测算法,更有效地检测出语音的端点。在-10 dB的极低信噪比下,提出的方法仍然有75.2%的正确率。采用PSSB参数的端点检测算法,更适合于低信噪比白噪声环境下的语音端点检测。     

基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用

对嗜酸乳杆菌、变异链球菌和保加利亚乳杆菌这三种菌的荧光光谱进行研究,发现在紫外光的激励下,益生菌溶液发出荧光.在最佳激发波长290　nm的激励下,荧光峰值在300—650　nm范围内.采用小波变换对测得的150组光谱数据进行压缩,压缩后每组数据由原来的1341个点减少为168个点,既保留了原图谱的特征,又提高了神经网络的处理速度.径向基函数神经网络方法对压缩后的数据进行研究,对每种菌的40组实验数据进行训练,在此基础上对30组未知数据进行识别.结果表明经过训练之后,径向基函数神经网络能够准确预测未知菌种.     

基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用

对嗜酸乳杆菌、变异链球菌和保加利亚乳杆菌这三种菌的荧光光谱进行研究,发现在紫外光的激励下,益生菌溶液发出荧光.在最佳激发波长290　nm的激励下,荧光峰值在300—650　nm范围内.采用小波变换对测得的150组光谱数据进行压缩,压缩后每组数据由原来的1341个点减少为168个点,既保留了原图谱的特征,又提高了神经网络的处理速度.径向基函数神经网络方法对压缩后的数据进行研究,对每种菌的40组实验数据进行训练,在此基础上对30组未知数据进行识别.结果表明经过训练之后,径向基函数神经网络能够准确预测未知菌种. 关键词： 荧光光谱 径向基函数神经网络 数据压缩     

基于中文语音识别技术的舰艇指挥训练系统的研究

针对舰艇指挥训练系统的特点,提出了一种利用语音识别技术提高其训练效率的方法;首先分析了舰艇指挥指令的语言特点,然后研究了基于Sphinx平台的汉语连续语音识别的相关问题,包括声学模型的训练、语言模型的训练及语音识别引擎等;最后设计并实现了一个非特定人,中等专用词汇量的连续汉语语音识别系统;实验采用了一定数量的数字和专用词汇进行验证,结果表明,经过声学模型训练后,该系统的识别率有较大提高;该方法对提高舰艇指挥训练系统的自动化水平具有一定的指导意义。     

一种光谱识别的新方法

提出了一种对光谱信号识别的新方法。针对光谱信号的特征 ,我们设计了基于径向基函数神经网络组成的统计混合模型 ,并构造了识别系统的代价函数。通过优化系统的代价函数 ,导出了类EM算法去估计混合模型的参数 ,从而构建对光谱特征识别的识别器。利用实际的拉曼光谱 ,对本文所提出的估计模型参数的算法与建立的光谱识别器进行了检验。我们还讨论了利用特征波长与相应的光谱强度 ,以及利用主分量分析组成输入特征矢量 ,及其这些输入特征矢量对光谱识别器应用的效果。实验结果表明 ,所提出的算法可以有效地估计模型参数 ,其建立的光谱识别模型具有较高的识别准确率。所提出的对光谱信号识别的方法通用性强 ,因此具有较为广阔的应用前景。     

一种基于S曲线模型的红外焦平面阵列非均匀性自适应校正算法

针对红外焦平面阵列(IRFPA)中探测元的非线性响应以及响应特性的漂移引起的校正误差,提出了一种基于S曲线模型的场景自适应校正算法.该算法利用对数运算将IRFPA的输出信号线性化.并运用自适应滤波技术对线性信号实施非均匀性校正,并采用指数变换还原出实际的校正输出信号.基于人造黑体图像和实景红外视频的仿真实验结果表明.该算法在校正精度和大动态范围信号响应特性方面均优于传统的场景自适应校正算法.     

B与N掺杂对单层石墨纳米带自旋极化输运的影响

通过第一性原理计算研究了具有锯齿状边沿并且具有反铁磁构型的单层石墨纳米带的自旋极化输运.研究发现,在中心散射区同一位置掺入单个B和N原子,尽管对整个体系磁矩的影响完全相同,但对两个自旋分量电流的影响却完全相反.掺B时,自旋向上的电流显著大于自旋向下的电流;而掺N时,自旋向下的电流显著大于自旋向上的电流.这是由于不管掺B还是掺N都将打破自旋简并,使得导带和价带中自旋向上的能级比自旋向下的能级更高.掺B引入空穴,使完全占据的价带变为部分占据,从而自旋向上的能级正好处于费米能级,使得电子透射能力更强、电流更大,而自旋向下的能级则离费米能级较远使电子透射的能力较弱.掺N则引入电子,使得原来全空的导带变为部分占据,从而费米能级穿过导带中自旋向下的能级,使得自旋向下的电子比自旋向上的电子透射能力更强. 关键词： 自旋极化输运 单层石墨纳米带 第一性原理 非平衡格林函数     

Liley模型的模拟EEG信号的非线性预测和分析

分析Liley模型的模拟脑电(Electroencephalogram,EEG)信号的非线性预测和径向基函数(Radial Basis Functions,RBF)神经网络预测,利用相图分析和非线性正交预测(Nonlinear Cross-Prediction,NLCP)方法研究模拟EEG信号.结果发现:①RBF神经网络预测的效果要好于非线性预测;②NLCP方法对含有强周期分量的高维系统具有较好的适用性;③支持了EEG中存在混沌运动的观点.     

具有迟滞补偿的单压电变形镜的闭环校正性能

对具有迟滞补偿的单压电变形镜的闭环校正性能进行了研究。提出了基于Prandtl-Ishlinskii(PI)迟滞模型的变形镜闭环控制算法,搭建了基于哈特曼波前传感器的自适应光学测试平台,分别进行了静态像差和动态像差的闭环校正实验。实验结果表明:在静态像差的闭环校正中,迟滞消除算法比未消除算法具有更快的校正速度;对于波前像差均方根的平均值为168nm的动态像差,校正后的残差从消除前的33nm降低到校正后的25nm,证明了所提算法可有效应用于压电变形镜自适应光学系统。     

基于CNN的废旧纺织品在线NIR高效识别与自动分选技术研究

我国每年产生废旧纺织品超过2 600多万吨,且随着经济的发展呈现逐年增多的趋势,而其再生利用率不足10%。废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、快速回收和高附加值再利用的最大障碍。人工识别分选既费时费力又不准确,而近红外光谱分析技术可对其进行快速无损高效识别分选。在前期探究的最佳测试条件下,利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、棉、毛、锦纶、真丝、粘胶、腈纶、聚酯/毛、聚酯/棉、聚酯/锦纶、真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。基于采集的样本在线原始NIR谱图,利用卷积神经网络方法,依据输入的样本光谱数据及对应分类标签进行网络训练,建立了12类废旧纺织品在线NIR定性识别模型。对比一维、二维卷积神经网络模型,其二维模型较优,该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像,再交替进行多次卷积和池化来进行光谱特征的提取、压缩和数据降维。通过模型计算得到每类废旧纺织品样本的类别概率值,取其最大值作为该类织物的最终分类。本模型训练过程设置为500轮,每次取32个样...