基于听觉模型ZCPA的故障诊断特征提取方法研究

将一种听觉模型——ZCPA模型引入机械故障诊断特征提取中。介绍了该模型的基本原理,并根据故障诊断中振动信号分析的特点对模型的具体实现方法进行了一定的调整。利用S函数取代对数函数对耳蜗内毛细胞进行模拟,将频率箱按照频率范围等比递增的方式在频率轴上进行分布;同时,利用Gammatone滤波器组进行耳蜗基底膜的建模。利用ZCPA模型对四种转子故障进行了特征提取试验验证,结果表明,该模型只使用少量特征数据(如16个)即可有效表征不同故障,同时,对同一类型故障的特征提取结果具有很好的稳定性和一致性,具有一定的工程应用前景。

语音情感中基于ZCPA的VAP模型

分析一个基于心理学的情感空间模型原理。研究语音情感识别中7种情感(中性、喜悦、愤怒、惊讶、恐惧、悲伤和厌恶)的效价-激励-能量(VAP)维分布状况,根据过零峰值幅度(ZCPA)的最大值、最小值、均值和绝对值方差和,在VAP三维空间中分析维数水平和ZCPA韵律特征之间的关系。实验结果表明,该情感空间模型原理有助于描述和区分各种语音情感。

多种前端滤波器的ZCPA对语音多变性的鲁棒性研究

针对语音多变性的鲁棒性问题,分别将FIR滤波器、Gammatone(GT)滤波器、Laguerre滤波器以及弯折滤波器(Warped Filter Banks,WFBs)用于过零峰值幅度(Zero Crossing Peak Amplitude,ZCPA)特征提取,并使用支持向量机(Support Vector Machine,SVM)作为后端识别系统,通过实验得到了不同滤波器下ZCPA的识别结果。结果表明在多变性语音的识别中,SVM系统较常用的HMM系统,更适于ZCPA特征;并且在SVM系统下,ERB尺度的弯折滤波器较其它前端滤波器识别效果更好,明显优于常用的MFCC特征。

基于支持向量机的乐音识别

乐音识别的研究早在20世纪60年代就开始了,但是直到最近,识别系统的性能仍不令人满意。本文通过研究乐音的声音和物理特性,提出了利用支持向量机进行乐音识别的新思路,给出了基本的算法框架,并对钢琴的所有单音进行了识别,实验证明该算法提高了识别的快速性和准确性。