高噪声环境下声发射损伤源定位技术研究

传统的TOA声发射源定位技术中,基于门槛的声波到达时间检测法在高噪声环境下会出现较大误差,从而导致损伤源定位率低、定位误差大。本文通过试验的方法研究了TOA定位技术与噪声水平之间的关系,分析了噪声影响声发射源定位的机理,采用AIC技术对高噪声环境下声波真实到达时间进行了校正,大幅提高了定位率和定位精度。该方法在铝合金试件真实疲劳试验损伤检测中进行了应用,成功在人工可见裂纹前定位出了损伤。

LSTM神经网络下多噪声环境通信弱信号识别仿真

由于在多噪声环境下,微弱信号容易被噪声掩盖,导致通信弱信号识别难度较大且极耗费时间。为此,提出一种基于LSTM神经网络的多噪声环境通信弱信号识别方法。通过贪婪权值算法(Takenaka-Malmquist Greedy Algorithm,TMGW)压缩通信弱信号,获取通信弱信号和噪声在时频面上的能量分布特点,对其降噪处理。建立长短记忆(Long Short Term Memory,LSTM)神经网络预测模型结构图,通过损失函数优化训练的权重参数,获取网络训练结果,计算实际值与预测值之差,作为高斯分布检测模型的特征值,实现复杂噪声下通信弱信号识别。仿真结果表明,采用所提方法可以有效地识别通信弱信号,全面提升多噪声环境通信弱信号识别效率。

应用于噪声环境下语种识别的GFCC改进算法

不同的噪声在频谱上有不同的特点,使得自动语种识别的性能在噪声环境下显著下降.针对该问题,提出一种基于改进时域伽马通滤波器倒谱系数(gammatone filter cepstral coefficient,GFCC)特征的语种识别方法.首先,提取不同噪声背景下的训练集的时域GFCC特征;然后,利用Fisher比计算特征各维对区分语种的相对贡献度大小,分析不同噪声对时域GFCC特征各维的影响,并根据分析来设计合适的权值对特征各维加权,得到语种区分性更强的特征集;最后,利用高斯混合-通用背景模型作为基线系统进行语种识别,以测试所提方法性能.实验结果表明,在单一噪声背景,信噪比为-5 dB,噪声源分别为粉红噪声、餐厅噪声的条件下,所提方法相比于传统时域GFCC特征方法的识别率分别提升了40.1、20.6个百分点,在其他噪声背景、信噪比下的识别率也有一定程度的提升.

噪声环境下双耳重放信号方位角听觉定位补偿算法

针对噪声环境干扰双耳重放信号导致方位角听觉定位精度下降的问题,提出了一种基于双耳部分特定响度差的双耳重放信号听觉定位补偿算法。研究表明,双耳响度差可以作为一种听觉系统感知声源方位角的表征方式。为消除噪声环境引起的双耳重放信号响度差畸变,提高噪声环境下双耳虚拟听觉定位的精度,所提算法以安静环境下原始双耳重放信号的双耳特定响度差为目标,通过调节双耳重放信号之间相对能量大小来实现对噪声环境下双耳重放信号听觉定位的补偿。不同噪声能量、不同信噪比下的主观测听实验证明了算法的有效性,实验结果表明:噪声环境下双耳重放信号经所提算法补偿后较原始信号方位角平均定位误差降低4°。

热噪声环境下的量子调控优化

环境热噪声是量子计算走向规模化的一大阻碍,其存在对量子调控过程的鲁棒性和保真度提出了更高要求。采用随机动力学结构分解方法,并根据Kubo-Einstein涨落耗散定理,研究了热噪声环境下量子调控的量子动力学优化问题,即如何提高热噪声环境下量子调控过程的保真度。基于二维球面上的经典路径可完全描述单个量子比特运动这一特性,提出了基于梯度下降算法的变分优化方案,并通过数值模拟证明了该方案的可用性。结果发现,在经典极限下影响量子调控过程保真度的主要因素是热涨落。该方法有望与实验相互验证,进一步指导和评估实验方案,以期实现量子门的高保真度。

基于深度学习技术的多噪声环境下室内自适应降噪技术优化

优化多噪声环境下室内自适应降噪技术,对于人们更好地学习、工作和生活具有重要意义。多噪声环境下面临噪声的检测和定位、分析和评价、制定和执行控制策略等降噪挑战;传统的自适应算法在处理单一、稳定的噪声源时效果良好,但在处理多源、变动的噪声时性能较差,深度学习可以有效优化自适应降噪技术。研究表明,深度学习在优化自适应滤波器、提升适应性反馈消除等方面优势明显,但也应解决训练数据量大、计算资源要求高以及模型解释性差等问题。

噪声环境下,如何守护听力健康

在现代城市生活中,噪声已经成为了我们日常生活中难以避免的一部分。交通车辆、机器设备、人群嘈杂等都构成了我们周围的噪声环境。然而,长期处于噪声环境中可能会导致噪声性聋和听力下降等问题,这是由于高强度的噪声会对内耳中的毛细胞和听神经造成损伤所致。一般而言,超过85分贝的噪声就会对人的听力造成损伤,而在噪声超过100分贝时,甚至短时间的暴露也可能导致听力受损。此外,长期处于噪声环境下还可能导致耳鸣、听力疲劳等不适症状。

运载火箭起飞噪声环境缩比模型试验方法

基于相似理论建立缩比模型试验相似准则,提出了火箭发动机喷流声场试验预示方法的流程。通过缩比模型系留点火试验,根据几何相似、喷流参数相似、发射环境相似来预示起飞噪声环境,在国内首次给出了运载火箭表面的噪声环境的空间相关特性,结果表明预测结果与遥测数据之差小于1.5 d B,校验了缩比模型方法的有效性。缩比模型方法对于我国新一代运载火箭的起飞噪声环境预示、噪声载荷设计、地面试验具有重要意义。

一种噪声环境下的实时语音端点检测算法

语音识别中的端点检测要求对噪声有很强的鲁棒性。该文提出一种方法,综合采用了语音信号中的4个相互之间独立性强的特征-短时能量、倒谱距离、能量谱方差和能量-熵特征,有效地改进传统的基于单一语音特征方法的缺陷,在动态变化的噪声环境中,大大提高了端点检测对噪声的鲁棒性;为了克服分类回归树(CART)决策法的过度复杂性,引入一种新的5状态自动机进行快速决策,以保证算法的实时性能,并且能够提高端点检测的可靠性。通过各种实际噪声环境的测试,实验表明这一算法可以显著提高在低信噪比、噪声动态变化的各种环境下的端点检测性能。

复杂噪声环境中的语音端点检测

提出了一种适用于复杂加性噪声环境的语音端点检测方法。通过对噪声类型的归纳,建立自适应的平稳噪声模型,并根据模型搜索信号能量非平稳的区域。然后基于浊音在频域上的谐波结构,在此区域内检测浊音,从而排除非平稳噪声的干扰。最后根据信号能量精确搜索语音起止点。与目前典型端点检测算法的对比实验表明,在大多数复杂噪声环境下,该算法具有较好的准确率。

利用fNIRs研究噪声环境下脑力负荷变化规律

目的研究噪声环境下操作者的脑力负荷(mental workload,MWL)变化规律。方法采用功能性近红外光谱技术(functional near-infrared spectroscopy,fNIRs)、心电、皮肤电和脉搏波多种生理测量手段结合脑力负荷敏感脑区的氧合血红蛋白幅值变化、主观量表评价和脑力负荷评估模型输出来评估噪声刺激下操作者的MWL变化。选用16名参试者完成中性图片N-back任务,分为噪声组和对照组,噪声环境采用(80±3)d B,对照组的外界声源控制为45 d B以下。结果在同一任务负荷状态下,噪声环境中参试者的脑力负荷水平高于对照组,其中噪声组2-back任务诱发的脑力负荷水平等同于对照组3-back任务诱发的脑力负荷水平,但其在3-back任务阶段脑力负荷仅略高于对照组的同等任务阶段。结论参试者在噪声环境下执行同等工作记忆任务时脑力负荷水平可以提高,但任务难度较高时提升幅度降低;利用fNIRs监测大脑前额叶皮层血氧生理参数方法能够有效评估噪声环境下的脑力负荷变化,值得进一步深入研究。

噪声环境下的基音检测方法

噪声环境下的基音检测在语音信号分析和识别中占有重要地位。自相关法和平均幅度差函数是两种常用的基音检测方法。结合两种方法 ,提出了一种有效的噪声环境下基音检测方法。实验表明 ,该方法是可行的 ,与传统方法相比鲁棒性好 。

基于延时随机子空间方法的非白噪声环境激励结构模态参数识别

为了消除非白噪声环境激励在结构模态参数识别结果中产生的虚假模态,引入扩展状态模型,从状态空间方程的角度论证了虚假模态产生的原因;然后,针对一类具有典型性和代表性的(自相关函数在纵坐标轴附近一定范围内有非零值的)非白噪声环境激励信号,在传统随机子空间算法的基础上引入延时指标,建立延时随机子空间方法。数值算例表明延时随机子空间方法能够有效地剔除非白噪声环境激励在模态参数识别结果中产生的虚假模态,放宽了传统模态参数识别方法对环境输入的白噪声假设。

噪声环境下语音识别方法研究

研究了 6种噪声背景下与说话人有关的孤立词语音识别方法。它们是 :线性预测误差法 ,单边自相关线性预测法 ,语音前端声学处理法 ,正则相关分析的谱变换补偿方法 ,特征综合法和同模极点增加法。实验结果表明 ,这 6种方法都有效地提高了噪声环境中语音识别率 ,其中较好的方法在强噪声环境中 (信噪比为 0dB)的语音识别率达到 80 %以上 。

基于掩蔽特性的噪声环境下语音识别新特征

语音识别系统的识别率在噪声环境中下降很大。本文根据人耳的听觉特性，提出一种基于人耳听觉掩蔽特性的抗噪声特征提取方法。该方法先求取噪声语音的掩蔽特性，在此基础上再计算Ｍｅｌ倒谱系数用于语音识别。通过对ＴＩＭＩＴ数据包的 ０～９十个英语数字在 ＮｏｉｓｅＸ９２的各种噪声下进行了识别试验。其中在信噪比 ０ｄＢ条件下，在 ３种噪声条件下识别率平均提高 １５２％，实验表明新方法对于各种噪声环境下的识别率有显著提高。

机载设备的噪声环境试验研究

介绍了标准中所规定的试验载荷的计算方法,2种噪声试验装置——高声强混响室和高声强行波管,以及高声强试验系统和测试系统的组成。以GJB 150.86-17的图1声谱为基准,开展了机载设备的噪声环境试验研究,对噪声试验中试验夹具的设计和制造、试验样品的安装、试验前的检查和试验程序进行了说明,采用了开环和闭环方式控制声场,试验结果达到了国军标的要求。

噪声环境下基于最大后验非线性变换的隐马尔可夫模型自适应算法

由于训练环境和识别环境的失配,识别系统的性能会严重下降。为此,提出了基于最大后验概率非线性变换的环境自适应算法,可以减小由于环境的失配所引起的系统性能的下降。在本算法中,利用分段线性回归近似非线性变换将训练环境下隐马尔可夫模型(HMM)的均值向量变换到识别环境,减小环境的失配,变换参数的估计采用了最大后验概率估计(MAP)。数字语音识别实验证明:该环境自适应算法的识别性能优于MLST,MAPLR和MLLR等算法。

卷积噪声环境下语音信号鲁棒特征提取

提出了一种基于独立分量分析(ICA)的语音信号鲁棒特征提取算法,用以解决在卷积噪声环境下语音信号的训练与识别特征不匹配的问题。该算法通过短时傅里叶变换将带噪语音信号从时域转换到频域后,采用复值ICA方法从带噪语音的短时谱中分离出语音信号的短时谱,然后根据所得到的语音信号短时谱计算美尔倒谱系数(MFCC)及其一阶差分作为特征参数。在仿真与真实环境下汉语数字语音识别实验中,所提算法相比较传统的MFCC其识别正确率分别提升了34.8%和32.6%。实验结果表明基于ICA方法的语音特征在卷积噪声环境下具有良好的鲁棒性。

噪声环境下多模态函数优化的遗传算法

针对噪声环境下多模函数的优化,本文理论上分析了噪声对多模函数优化的全局收敛性和收敛精度的影响,并通过全局区域搜索率和全局区域收敛精度分析噪声对算法的影响程度.实验结果和分析表明,增加多模函数寻优难度和噪声强度,遗传算法的全局区域搜索率都在下降,全局区域收敛精度总体变差;重采样的方法能够有效提高算法的全局区域搜索率,总体改善算法的全局区域收敛精度;确定性排挤遗传算法(Deterministic Crowding Genetic A-lgorithm,DCGA)和多种群遗传算法(Mult-i Population Genetic Algorithm,MPGA)的全局区域搜索率和全局区域收敛精度要优于杰出保留遗传算法(Elist Genetic Algorithm,EGA).

一种噪声环境下的语音识别方法(线性预测误差法)的研究

介绍一种平稳噪声环境下语音识别的新的方法。该方法利用噪声的LPC系数去预测语音信号 ,从而得到LPC预测序列 ,然后把它代替原语音序列来进行语音端点的检测、语音特征的提取和在合适的匹配方式下的识别。实验结果表明 :该法在噪声环境下自动检测语音端点和提取语音信号的特征是可行的 ,获得了很满意的识别率。