能谱CT投影域降噪算法的比较研究

能谱CT的光子计数探测器可以将较宽的能谱按照选定的能量段进行计数,得到物体在不同能段的成像信息.由于能谱CT需要确定能量通道,且单个窄谱通道探测的光子数为总光子数的一部分,数目减少,导致窄谱投影数据的噪声增大.为降低低能噪声对成像结果的影响,将传统MAP降噪算法,基于各向异性模型的改进MAP算法及SB(Split Bregman)算法引入能谱CT投影域去噪中.首先通过选定一个能量来验证三种算法对能谱CT的适用性.然后分别对三个确定的能量通道添加高斯噪声,使用上述算法分别去噪,并对去噪后投影使用FBP,OS-SART算法重建,结果表明三种算法均可以有效去噪,且改进的MAP算法优于传统MAP算法,SB算法去噪效果最佳.     

基于正则化等效源模型的航空重力梯度测量信息降噪方法

航空重力梯度测量能获取重力梯度的多个分量,在保证各梯度分量内部固有约束条件下降低测量噪声,是一个巨大的挑战.为提高航空重力梯度测量精度,提出一种基于正则化等效源模型的测量降噪方法.根据矩形棱柱体与重力梯度之间的关系构建了等效源线性方程组,针对该方程组可能存在病态性的问题,引入截断奇异值TSVD和Tikhonov正则化的...     

基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

噪声环境说话人辨认初探

对于说话人辨认系统,实际使用环境与训练环境通常并不匹配,实际使用环境中常常存在各种来源的噪声,实验室训练环境中性能良好的系统在实际使用环境中其性能可能急剧下降。增强系统的抗噪能力是一个不容忽视的问题。本文试图将语音增强技术应用于说话人辨认系统,提高系统识别率和稳健性。初步实验表明,语音增强技术可显著提高系统的抗噪声能力。     

从任意连续语音中实时提取说话人特征及三维显示

本文以最大嫡谱法估计得到的多幅浊音的线性预测反射系数矢量序列的长期平均矢址:作为说话人特征,定义了特征矢量的平均说话人自差异函数、平均说话人互差异函数和平 均说话人互自差异比函数,并对不同说话人特征间的可区分性进行了分析.采用伪彩色编 码原理,实现特征矢量的三维显示.设计了PC/AT和TMS 3201。组成主从系统,使语 音采样和参栽沽计同步进行,达到了实时性.实验结果表明,所提取的特征有较好地区分 i3}话人的性能,显示方法,可读性好、易于直观分析和整休观察.系统实时性好     

高层住宅阳台降噪量的计算分析

高层住宅中的阳台不仅具有居住及建筑上的功能,对道路交通噪声也有衰减作用。本文通过建立噪声传播模型计算高层住宅阳台的插入损失,并探讨了影响阳台降噪量的一些因素。同时对阳台内部吸声处理的效果进行了理论预测。     

有源降噪─物理学与工程技术结合的典范

有源降噪是利用声波的干涉,使得在噪声控制区域内的噪声与次级声波发生干涉根消,来达到控制或消除噪声的目的,因此,其基本原理是声波干涉理论．本文对有源降噪的基本原理、物理实现以及应用方向和存在的问题分别作了简单介绍     

分形凹角蜂窝结构声子晶体振动带隙特性

凹角结构具有优良的减振降噪特性,可以有效衰减结构振动响应,蜂窝结构具有优良的力学特性并已经较为普遍地被应用到工程之中,因此凹角蜂窝的复合结构引起了学者们的关注。本文通过对内凹蜂窝结构分形设计,构建了一种新型声子晶体模型。基于有限元方法对分形凹角蜂窝结构进行分析,计算能带结构以及振动传输特性,分析结构的负泊松比特性以及结构分形对振动带隙的影响。通过改变壁厚和内凹角度等参数,以及在分形结构顶点处填充钢材,可以更好地对某些频段振动产生抑制。结果表明:分形结构仍具有负泊松比特性,分形结构在二阶结构产生的带隙更宽,壁厚和凹角角度的增加会导致结构振动带隙向高频区域转移,填充钢材会使带隙变宽。     

基于WRF数值模式的SDAE-SVR风速预测模型研究

风速预测是风力预报中的核心与基础, 采用天气研究和预报(Weather Research and Forecasting, WRF)模式进行风力预报往往存在风速预测误差较大的问题. 为了提高风速预测精度, 提出了一种基于深度学习和支持向量回归(Support Vector Regression, SVR)相结合的风速预测模型. 该模型以WRF模式预报输出的多种气象变量为基础, 结合气象自动观测站传感器的实测风速, 引入堆栈降噪自动编码(Stacked De-noising Auto-Encoder, SDAE)深度网络来学习样本数据中隐含的深度特征, 然后将该深度网络最后一层输出的深度特征置入回归器SVR中, 利用SVR良好的回归预测性能对WRF模式预报的未来1h风速进行预测订正. 结果表明: 所建立的SDAE-SVR风速预测模型具有较高的风速预测精度, 在对典型日的WRF模式预报未来1h风速的预测订正中, 其平均百分比误差与均方根误差仅为8.28％与0.8 066 m·     

噪声对超导量子比特测量系统的影响

详细介绍了噪声对超导量子比特测量系统的影响。测量系统通过对时间的测量来获得单个约瑟夫森结跳变电流统计分布P(I)。在测量电路中采取了一系列的降噪措施,使得实验所能测到的约瑟夫森结的最低等效温度进一步的降低。