孤立词识别系统的算法改进及优化

针对基本孤立词识别系统中语音信号预处理效果差、模板匹配成功率低、词汇识别耗时长等问题,基于动态时间规整算法(Dynamic Time Warping,DTW)提出了一种改进孤立词识别系统。首先,通过仿真设置合理的帧长和帧移数,并利用改进的端点检测法确定语音的始末端,提高了语音信号的预处理效果;其次,采用美尔倒谱系数结合一阶差分系数提取了语音信号的特征参数,从而有效降低了计算机的时间复杂度;然后,采用DTW算法有效降低了语音信号的累积失真距离,实现了对孤立词语音信号的有效识别;最后,通过计算机仿真,验证了所提出的设计及参数设置的有效性,并通过对比实验验证了设计的高效性。

低功耗异构计算架构的高光谱遥感图像分类研究

高光谱图像分类算法通常需要逐点对图像中的像素点进行迭代处理,计算复杂度及并行程度存在较大差异。随着高光谱遥感图像空间、光谱和辐射分辨率的不断提升,这些算法无法满足实时处理海量遥感图像数据的需求。通过分析NPU存储计算一体化模式与遥感图像分类算法的实现步骤,设计低功耗CPU+NPU异构资源计算架构的低秩稀疏子空间聚类(LRSSC)算法,将数据密集型计算转移至NPU,并利用NPU数据驱动并行计算和内置AI加速,对基于机器学习算法的海量遥感数据进行实时分类。受到big.LITTLE计算范式的启发,CPU+NPU异构资源计算架构由8 bit和低精度位宽NPU共同组成以提高整体吞吐量,同时减少图网络推理过程中的能量损耗。实验结果表明,与CPU计算架构和CPU+GPU异构计算架构的LRSSC算法相比,CPU+NPU异构计算架构的LRSSC算法在Pavia University遥感数据集下的计算速度提升了3~14倍。

关于多种模态分解方法的分离效果的差别探讨

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。

二氧化碳跨临界直接蒸发式制冰工艺在改造项目中的应用

结合2022年北京冬奥会比赛场馆之一的首都体育馆改扩建项目,简单阐述了二氧化碳跨临界直接蒸发式制冰工艺特点及其在体育场馆改造工程中的应用,从方案选择到具体实施,运用科学有效的总承包施工管理技术将其解决,总结了相关经验。