光腔模式及光束传输的特征向量算法

发展了一种新颖的适用于光腔模式及光束传输模拟计算的特征向量法.该方法的核心是基于菲涅耳-基尔霍夫衍射积分理论构造了一种新的光腔传输矩阵,通过求解激光谐振腔的本征积分方程,即可一次求解得到表征腔镜上多个光场模式振幅及相位分布的特征向量组;而谐振腔内或腔外任意地方的光场分布,也可采用该方法进行光束传输模拟而求得.对与该方法有关的单元划分、形函数选取、误差及稳定性分析等问题进行了论述,分析表明:合适的单元划分和形函数选取有利于提高计算速度、精度和稳定性.     

Noise reduction method based on weighted manifold decomposition

A noise reduction method based on weighted manifold decomposition is proposed in this paper, which does not need knowledge of the chaotic dynamics and choosing number of eigenvalues.The simulation indicates that the performance of this method can increase the signal-to-noise ratio of noisy chaotic time series.     

四元数体上若干线性代数问题的显式

通过建立四元数乘积的一个弱可交换律,分别给出四元数体上的线性方程组的解和克莱姆解式、向量的相关性、矩阵的逆与秩以及线性变换的特征根与特征向量等存在性的充要条件,从而得到这些问题的一种有效计算方法．     

面向情感语音转换的韵律转换方法

面向情感语音转换,该文提出了一种韵律转换方法。该方法包含基频转换和时长转换两个部分,前者选择离散余弦变换(DCT)参数化基频,根据基频的层次结构特点,将基频分解为短语层和音节层两个层次,使用基于混合高斯模型(GMM)的转换方法对两个层次分别进行转换;后者使用基于分类回归树(CART)的方法以声韵母为基本单位对时长进行转换。一个包含三种基本情感的语料库用作训练和测试,客观评测以及主观评测实验结果显示该方法可有效进行情感韵律转换,其中悲伤情感在主观实验中达到了接近100%的正确率。     

仿选择性注意机制的语音情感识别算法

有效特征的选取一直都是语音情感识别算法的关键。为此,针对语音情感特征选择与构建的问题,一种仿选择性注意机制的语音情感识别算法被提出。考虑到语音信号的时频特性,算法首先计算语音信号的语谱图;其次,模仿选择性注意机制,计算语谱图的颜色、方向和亮度特征图,归一化后形成特征矩阵;然后,将特征矩阵重排列并进行PCA降维,形成情感识别特征向量;最后,利用改进的支持向量机分类方法进行语音情感识别。对愤怒、恐惧、高兴、悲伤和惊奇5种情感的识别实验显示,基于选择性注意的方法能够获得较好的识别效果,平均识别率为85.44%。相比于韵律特征和音质特征,语音情感识别率至少提高10%;相比于其它语谱特征,识别率提高7%左右。     

矩阵广义对角化的探讨

利用子空间关于矩阵的最小多项式研究了矩阵可广义对角化的充要条件,给出了矩阵可广义对角化的一种算法.     

各向同性噪声场中单矢量传感器虚源消除MUSIC测向方法

为降低声矢量圆阵方位估计方法的计算复杂度, 避免声压振速联合处理需选取观测方向的问题, 提出了一种主特征向量加权的声矢量圆阵波束域多重信号分类(MUSIC)测向方法。在信号总功率与噪声功率之比最大的优化准则下, 求解得到单矢量传感器最优的加权向量, 即主特征向量。结合主特征向量设计相应的波束形成矩阵, 并从理论上对声矢量圆阵阵元域和波束域MUSIC的目标方位估计方差进行比较。推导了单矢量传感器的大特征值和信号功率、大特征值对应的特征向量和其导向向量之间的关系。通过仿真实验验证了基于主特征向量波束形成矩阵的有效性, 所提方法具有较低的计算复杂度和良好的方位估计性能。水池实验数据分析表明, 所提方法能够准确估计目标方位。

     

求解截面主惯性矩的矩阵特征值法

提出求解截面形心主惯性矩的一种新算法,通过构造惯性矩阵,将主惯性矩和主惯性轴的计算归结为矩阵的特征值问题,算法简单,便于应用.     

关于矩阵对角化的一种判别方法

阐述判别矩阵对角化的一种方法．如果复数域C上n阶矩阵A的对应于不同特征值的线性无关特征向量的个数都恰好等于该特征值的重数,则A相似于对角矩阵．     

用特征向量的个数确定矩阵的初等因子

论证了用线性无关的特征向量的个数确定矩阵A的初等因子的几种特殊情形。