一种K值自适应和局部搜索的KNN矩阵修复方法

数据在采集和传输过程中由于多种原因会造成矩阵残缺,因此在数据分析之前需要对残缺矩阵进行修复。常见的KNN修复方法 k值选取不合理,且需在整个矩阵中搜索近邻,影响算法的修复效果。在其基础上提出了一种k值自适应的局部KNN矩阵修复方法,合理考虑了k值的选取和近邻项的搜索范围。实验证明了该方法能有效提高矩阵修复的正确率,且算法的时效性有所提高。     

互调干扰信号的特征识别

在复杂电磁信号环境中,实际存在为数不少的互调干扰信号,对这类信号的有效分析识别,是无线电监测工作需要重点关注解决的难题。对互调干扰信号在幅度特征和频谱峰值特征两个方面的特性进行了分析,给出了互调干扰信号识别的思路。     

一种基于复数残差网络的通信辐射源个体识别方法

在复杂电磁环境的通信辐射源个体识别任务中,针对传统特征提取识别方法分类效果不佳和低信噪比环境下基于实数神经网络的方法识别准确率不高的问题,本文提出了一种基于复数残差网络的通信辐射源个体识别方法。将实际采集的I路和Q路电台数据组合成复数作为输入,根据电台数据集特点选取复数初始化方法、复数激活函数,以改进的复数残差块为基础构建复数残差网络,进一步调整和优化网络结构并运用到辐射源个体识别任务中。通过实验证明,相比于实数残差网络和人工特征提取方法,复数残差网络的性能更优,并且在低信噪比的条件下,基于复数残差网络的方法鲁棒性更强。      

基于北斗GEO卫星信号的海面目标非协同探测性能分析

对利用北斗GEO（Geosynchronous Orbit）卫星信号开展海面目标非协同探测的性能进行分析。首先提出了初步系统结构方案,分析了北斗信号并建立了直射和反射信号模型,从最大探测距离和伪随机码模糊性两方面分析了基于北斗卫星信号的海面探测性能。仿真实验结果表明,基于北斗GEO卫星的反射信号在强度和信噪比等指标上都要优于GPS MEO（Medium Earth Orbit）卫星的反射信号,北斗的Kasami码和Gold码在时延和多普勒频移维上都具有很好的时间分辨力,利用北斗GEO卫星信号开展海面目标非协同探测是可行的。      

LVCSR系统中一种基于区分性和自适应瓶颈深度置信网络的特征提取方法

大词汇量连续语音识别系统中,为了进一步增强网络的鲁棒性、提升瓶颈深度置信网络的识别准确率,本文提出一种基于区分性和自适应瓶颈深度置信网络的特征提取方法。该方法首先使用鲁棒性较强的瓶颈深度置信网络进行初步特征提取,进而进行区分性训练,使网络的区分性更强、识别准确率更高,在此基础上引入说话人自适应技术对网络进行调整,提高系统的鲁棒性。本文利用提出的声学特征在多个噪声较强、主题风格较为随意的多个公共连续语音数据库上进行了测试,识别准确率取得了6.9%的提升。实验结果表明所提出的特征提取方法相对于传统方法的优越性。      

嵌入深度信念网络的点过程模型用于关键词检出

基于点过程模型的关键词检出系统是一种新颖的连续语音关键词检出系统,虽然该系统具有对样本数要求不高、计算速度快等优点,但其检出性能比较依赖于前端音素探测器的准确度,而目前广泛用于音素探测器的高斯混合模型存在表征和建模能力不强的问题。针对这一缺陷,本文提出了一种嵌入深度信念网络的点过程模型并将其应用于关键词检出,该模型采用表征能力强的深度信念网络来建立音素探测器,改进了高斯混合模型在表征能力上的不足。实验结果表明该方法能够获得比原模型更高的检出率,并且降低了计算复杂度,更适用于需要实时检测关键词的场合。      

基于码重信息熵低码率线性分组码的盲识别

为解决较高误码条件下的低码率二进制线性分组码的盲识别问题,论文提出了基于码重分布信息熵的码长识别方法,而且,它还通过优化传统的矩阵化简方法求解生成矩阵,从而实现对低码率二进制线性分组码的盲识别。理论分析及仿真验证均表明:该方法能实现低码率线性分组码较正确的识别。论文最后进一步对不同码长线性分组码在不同误码率条件下进行了多次仿真,仿真结果验证了该识别方法具有较好的容错性能。     

基于自适应投影矩阵的压缩感知超宽带信道估计

超宽带信号由于功率谱密度较低和传输多径复杂,准确的信道估计十分重要。考虑其过高带宽带来的采样难度较高的问题,压缩感知理论提供了一种可行的低速采样方法。而目前常用的随机投影矩阵与超宽带信道稀疏变换矩阵相关度较高,算法必须在降维比较高时才能达到重构要求,采样速率依然较高。针对上述问题,提出使用贝叶斯压缩感知理论中的自适应投影矩阵设计方法进行超宽带信道估计。贝叶斯压缩感知理论给信道向量中的每个值设置受超参数控制的后验概率密度,计算信道向量的统计特性,并根据协方差矩阵计算新的投影向量,该投影向量可以使重构解的微分熵下降最快。通过这种自适应的投影矩阵设计方法,可以利用较少的采样值进一步地提高重构解的可信度,达到进一步降低采样速率的目的。实验结果表明该方法相对于现有的压缩感知重构算法可以在较低的降维比条件下达到较好的重构效果,显著降低了采样速率。     

改进的基于点过程模型的连续语音关键词识别技术

本文建立了一种基于点过程模型的连续语音关键词识别系统,该模型不同于以往的经典模型,而是将连续语音信号处理成一系列稀疏的音素点集,通过对各音素点集进行建模得到关键词模型与背景模型,再采用滑动搜索的方式来检出关键词。实验结果表明该方法在保证90%以上识别率的同时大大降低了运算复杂度,并且在具有极少量训练样本的情况下依然具有较高的识别率,具有良好的鲁棒性。     

基于偏度和时序结构的声音信号盲抽取算法研究

信号盲抽取是盲信号处理领域的热点研究方向,它仅抽取感兴趣的信号,能有效减小运算量,解决盲分离中信号顺序不确定性的难题,因而在生物医学信号分析（如EEG、MEG、fMRI等）、语音和图像识别领域得到广泛应用。针对传统的基于时序结构的盲抽取算法存在较弱的抗噪性和对时延估计误差比较敏感的不足,论文提出了将偏度和时序结构相结合的信号盲抽取算法。该算法首先利用偏度的非对称性来度量分离信号的非高斯性,以减弱噪声,同时减小了传统的利用峭度度量非高斯性方法的运算量;其次利用基音周期作为声音信号的最佳时延估计,以实现对感兴趣信号的盲抽取,将两者结合后使得算法对时延估计误差不敏感,且对噪声更具鲁棒性。仿真实验部分选取了标准TIMIT语料库中一男、两女分别单独朗读同一语句的语音信号,盲抽取的实验结果表明:本文算法与文献3中算法相比具有较好的分离效果且抽取速度快,与文献4中算法相比分离效果相当但大大地提高了抽取速度,从而验证了本文算法的有效性。