基于TMS320C54x的便携存储设备设计

本文介绍了一种以TMS320C54x为核心的移动存储终端，终端中使用NAND Flash作为存储器件。讨论了TMS320C54x对NAND Flash的编程以及接口设计。     

基于GAN实现环境声音分类的组合对抗防御

虽然深度神经网络可以有效改善环境声音分类(ESC)性能，但对对抗样本攻击依然具有脆弱性。已有对抗防御方法通常只对特定攻击有效，无法适应白盒、黑盒等不同攻击场景。为提高ESC模型在各种场景下对各种攻击的防御能力，该文提出一种结合对抗检测、对抗训练和判别性特征学习的ESC组合对抗防御方法。该方法使用对抗样本检测器(AED)对输入ESC模型的样本进行检测，基于生成对抗网络(GAN)同时对AED和ESC模型进行对抗训练，其中，AED作为GAN的判别器使用。同时，该方法将判别性损失函数引入ESC模型的对抗训练中，以驱使模型学习到的样本特征类内更加紧凑、类间更加远离，进一步提升模型的对抗鲁棒性。在两个典型ESC数据集，以及白盒、自适应白盒、黑盒攻击设置下，针对多种模型开展了防御对比实验。实验结果表明，该方法基于GAN实现多种防御方法的组合，可以有效提升ESC模型防御对抗样本攻击的能力，对应的ESC准确率比其他方法对应的ESC准确率提升超过10%。同时，实验验证了所提方法的有效性不是由混淆梯度引起的。     

一种基于清浊音分类和参数冗余的语音差错隐藏算法

为避免信道误码条件下低速率编码语音质量的严重恶化,提出了一种针对MELP语音编码的差错隐藏算法.在利用一阶马尔可夫模型描述帧间参数转移概率的基础上,算法构造了帧内增益与分带清浊音判决参数之间的转移概率;在语音合成时,提出了基于最大似然(ML)的清浊音分类模式保护;并对清音帧和浊音帧采用不同的参数重构方案.将算法与近年来针对MELP的两种差错隐藏算法进行了比较,测试结果表明在10-2量级的随机误码的条件下,算法具有更好的差错隐藏性能.     

基于MWC宽带压缩采样信号的DSP重构

高速宽带数字通信系统是无线通信的发展趋势,需要高质量的通信信道保证。在无线通信领域,存在着频谱资源日益匮乏、信道不稳定、利用率低造成数据传输质量不高的问题。基于压缩感知技术的宽带调制转换器(MWC)能够用于无线频谱的快速检测,为频谱资源的合理配置和监管提供了一种新的实现途径。本文通过研究MWC及其实现技术,在调制宽带转换器采样的基础上提出了一种改进多重信号分类算法的宽带频谱快速感知方法,基于DSP芯片设计实现了MWC宽带采样信号的重构系统。整个感知过程无须重构原始波形,无须计算频谱,大大降低了计算量,提高了感知效率。仿真结果表明,在低信噪比的情况下,该算法仍具有很好的检测性能。测试表明,该系统可以准确地感知实时频谱占用和频谱空洞位置。     

基于语音个人特征信息分离的语音转换方法研究

本文在深入研究语音个人特征信息有效表示的基础上,从信息分离角度,提出一种新的利用个人特征信息分离和替换实现语音转换的方法。该方法主要利用语音的稀疏性和K -均值奇异值分解(K-SVD)来实现。由于这种基于K-SVD的字典训练方法可以较好地保存语音信号中的个人特征信息,因此可以利用K-SVD的字典训练方法把语音个人特征信息进行分离并替换,再和语言内容等信息重构出目标语音。相对于传统方法,本方法能够更好地利用语音的稀疏性保存语音个人特征信息,从而可以克服参数映射带来的转换后语音个人特征相似度不高和语音质量下降的问题。实验仿真及主观评价结果表明,与基于高斯混合模型、人工神经网络的语音转换方法相比,该方法具有更好的转换语音质量和转换相似度以及抗噪性。      

一种新的快速自适应滤波算法的研究

从信号前后时刻相关性角度出发,提出了一种新的快速自适应滤波算法,并证明了其最优权值是一种广义的维纳方程解。该算法结构简单,收敛速度快,稳态失调小,具有处理多种信号的能力,包括非相关和强相关信号,而其计算量与NLMS算法相当。仿真结果表明,对于非相关信号,新算法的稳态失调小于VS-NLMS算法, 收敛速度与参考文献已有算法相当,但快于L.E-LMS算法;对于强相关性信号,新算法的稳态失调小于NLMS 算法和DCR-LMS算法。     

分段匹配追踪式Karhunen-Loeve非相干字典语音压缩感知

压缩感知(Compressed Sensing,CS)理论突破了经典采样定理的理论边界,为信号压缩提供了另一种途径。基于CS理论框架,做了两方面工作:为提高语音字典对信号的匹配性,设计了一种基于K-L展开的非相干语音字典;针对现有匹配追踪(MP,OMP)算法的不足,提出分段匹配追踪(Segment MP,SegMP)算法。首先对语音自相关函数进行建模并估计模型参数,构造语音自适应非相干字典,然后采用SegMP对语音稀疏向量分段观测,获得多个低维矢量,最后结合模型参数重建字典并重构信号,实现了语音压缩感知。语音测试结果表明:相比现有方案,本文方案对信号的稀疏表示更为精准,具有更好的重构质量,且降低了计算复杂度。      

U-net网络中融合多头注意力机制的单通道语音增强EI北大核心CSCD

在低信噪比和突发背景噪声条件下,已有的深度学习网络模型在单通道语音增强方面效果并不理想,而人类可以利用语音的长时相关性对不同的语音信号形成综合感知。因此刻画语音的长时依赖关系有助于改进低信噪比和突发背景噪声下的增强性能。受该特性的启发,提出一种融合多头注意力机制和U-net深度网络的增强模型TU-net,实现基于时域的端到端单通道语音增强。TU-net网络模型采用U-net网络的编解码层对带噪语音信号进行多尺度特征融合,并利用多头注意力机制实现双路径Transformer,用于计算语音掩模,更好地建模长时相关性。该模型在时域、时频域和感知域计算损失函数,并通过加权组合损失函数指导训练。仿真实验结果表明,TU-net在低信噪比和突发背景噪声条件下增强语音信号的语音质量感知评估(PESQ)、短时客观可懂度(STOI)和信噪比增益等多个评价指标都优于同类的单通道增强网络模型,且保持相对较少的网络模型参数。     

随机测量条件下的循环自相关函数无网格估计

利用循环平稳特性对通信信号进行参数估计是一种常用的处理方法。由于通信信号在循环频率域具有稀疏特性,可以利用随机测量有效降低采样处理的数据量,减轻硬件负荷,并基于压缩采样值进行信号参数估计。然而,在稀疏建模时通常将连续的信号参数空间划分为有限数量的均匀网格,引起基不匹配问题,使得信号在某个假定的离散变换基(傅里叶基、小波基等)下并不稀疏,从而严重影响信号参数估计精确度。为解决这个问题,本文利用原子范数描述循环频率域的连续性和稀疏性,提出一种随机测量条件下的高精确度循环自相关函数无网格估计方法。仿真实验表明,这种无网格估计方法能够有效降低循环自相关函数的估计误差。     

采用低秩稀疏建模的盲频谱检测算法

频谱检测技术是认知无线电的一项关键技术,传统的频谱检测方法或依赖于相关的先验信息,或受限于低信噪比和运算复杂度的影响,在实际应用中均有一定的缺陷。针对此问题,本文基于协方差矩阵的检测算法,结合低秩稀疏建模理论,建立了频谱检测的低秩稀疏模型,提出了一种改进的频谱检测新方法。所提方法不需要事先获取主用户信号和噪声功率等先验信息,对信号样本的协方差矩阵进行低秩稀疏分解,以低秩矩阵之间的特征差异来判决当前是否存在主用户信号。仿真实验验证了所提方法具有较好的检测性能和鲁棒性。