语音信号相空间重构中嵌入维数的选择

嵌入维是时间序列相空赣色中的基本参数。本语文基于“增大重构维反减少虚邻点”的思想,构造了一种求合适最小嵌入维的方法。文章详细讨论了本的原理,给出了具体的算法构造,分析了算法性能,比较了本与已有同类方法的不同,用本方法,除可得到适合的最小嵌入维外,还可评估重构数据中所含的噪声强弱,并以重构质量评价,将本方法应用于语音信号相空间重构,得到了语音信号一般情况下的嵌入维数。     

语音信号相空间重构中时间延迟的选择──复自相关法

时间序列空间重构中,时间延迟参数的选择具有重要意义。本文在分析求时间延迟的自相关法和平均位移法基础上,推导出较好的求时间延迟的方法,即复自相关法。复自相关法具有强的理论依据,其计算复杂度不大,对数据长度的依赖性不强,具有优秀的抗噪能力。应用于语音信号相空间重构的实验表明,其度量可得到合适的时间延迟。     

一种新的基于混沌的语音、噪声判别方法

语音通信中,区别发音段和非发音段具有一定的意义。其关键在于提取发音段和非发音段的不同特征参数。本文基于混沌信号处理,提出了一种新的语音、噪声判别方法。该方法提取信号在不同相空间重构维下的虚邻点,从而根据信号高维虚邻点平台的不同,判别发音段和非发音段（背景噪声）以及发音段所含噪声的强弱,本文阐述了该方法的原理,讨论了其性能,仿真实验表明,本方法具有较好的结果。     

语音信号的短时分形维数模糊控制滤波

基于短时分形维数的模糊控制滤波方法,对语音信号中的噪声进行滤波。该方法提出了网格分形维数和短时分形维数的新算法,并讨论了模糊控制滤波方法中的模糊控制参数的选取算法。基于虚拟仪器(Ⅵ)LabVIEW6.i平台上对语音信号进行仿真,结果表明,该方法滤波良好。     

混沌信号的相空间重构和预测方法研究

基于复杂非线性系统的相空间重构理论和神经网络本质为非线性映射关系的特点,提出利用混沌时间序列重构相空间和BP神经网络构建其预测模型的方法。利用该方法对典型的Lorenz混沌时间序列进行了空间重构,研究了预测模型的预测效果,结果表明单步预测效果理想,多步预测在50步以内也能取得较小的预测误差,证明了混沌信号不同于随机噪声,具有短期可预测、长期不可预测的特征。该方法为具有混沌特性的时间序列如心电信号、电力负荷等预测模型的建立提供了理论基础。     

基于重采样的混沌时间序列相空间重构研究

相空间重构是混沌时间序列分析中的重要一步,本文在总的观测时间确定的情况下,研究了重采样对混沌时间序列相空间重构的影响,提出了一种确定重采样间隔的双对数图法。模型实验及初步的理论证明表明,通过选择合适的重采样间隔进行相空间重构,重构相空间的基本结构和形状不会改变,且保持了原相空间的各种重要特性。此外带来的另一优点是计算复杂度的大大降低,这为应用较短的时间序列进行相空间重构以及计算各种不变量提供了一种可行有效的方法。     

基于相空间重构的电力系统负荷预测

近年来,混沌理论在非线性系统中得到了越来越广泛的应用。针对电力系统负荷时间序列的复杂性和混沌行为,采用基于相空间重构技术的电力负荷时间序列混沌预测也成为电力负荷预测的一大研究方向。在总结和归纳的基础上,对基于相空间重构的负荷预测进行了分析论述,并展望其应用前景。     

基于相空间重构实现非线性语音清浊音判决

以相空间重构理论为基础,采用Takens定理重构语音信号相空间并提取相似序列重复度(RPT)特征参数。利用清浊音RPT参数的差异,提出并实现了一种采用BP神经网络进行非线性清浊音判决的方法,得到了明显优于传统算法的结果。本文方法为语音特征提取和识别研究提供了新的途径     

自适应信号分解和相空间重构的钢琴和弦识别

文中首先阐述了和弦识别技术在音乐分析和音乐数据库中的重要应用价值,建立了特征参量结合分类器的识别流程。在信号预处理环节中引入了基于算子的NSP自适应信号分解的方法,将原始信号分解成包含特征信息的子信号,再对子信号提取非线性特征,用于分类器构造和识别实验。相关实验表明,同EMD方法相比,NSP自适应信号分解方法提取出子信号的特征信息较为单一,这样就避免了EMD方法中多种特征量混叠的现象,从而提高了识别准确率。     

隐相空间的DUPSO-RPSOVF语音预测模型研究

提出了一种基于二阶Volterra级数的语音信号非线性预测模型.为克服传统的最小均方（Least Mean Square,LMS）算法在模型核系数更新时的固有缺点,引入耗散均匀搜索粒子群优化算法（Dissipative Uniform Particle Swarm Optimization,DUPSO）求解核系数,并构建了DUPSO-SOVF预测模型;为避免传统方法中相空间的重构过程,构建了隐相空间DUPSO-SOVF预测模型,在求解模型核系数时动态地求解出最优嵌入维数和延迟时间;为降低模型复杂度,在误差允许范围内进行模型关键项的提取,从而减少了核系数个数,构建了少参数的DUPSO-RPSOVF（Reduced Parameter SOVF,RPSOVF）预测模型.将英语音素、单词和短语作为实验样本数据进行仿真,结果表明：隐相空间DUPSO-SOVF模型能够准确的计算出相空间重构参数,DUPSO-SOVF和DUPSO-RPSOVF两种预测模型对单帧和多帧语音信号均具有较高的预测精度,优于PSO-SOVF和LMS-SOVF预测模型,并且能够很好地反映语音序列变化的趋势和规律,可以满足语音序列预测的要求.     

SELECTION OF PROPER EMBEDDING DIMENSION IN PHASE SPACE RECONSTRUCTION OF SPEECH SIGNALS

In phase space reconstruction of time series, the selection of embedding dimension is important. Based on the idea of checking the behavior of near neighbors in the reconstruction dimension, a new method to determine proper minimum embedding dimension is constructed. This method has a sound theoretical basis and can lead to good result. It can indicate the noise level in the data to be reconstructed, and estimate the reconstruction quality. It is applied to speech signal reconstruction and the generic embedding dimension of speech signals is deduced.