混合加噪声模型与条件独立性检测的因果方向推断算法

从可观测的变量中推导出潜在的因果关系是人工智能领域的热点研究之一。传统的基于独立性检测的方法是通过检测V结构来确定一组马尔可夫等价类而非最终的因果关系;而加噪声模型算法却只能适应于低维度的因果网络结构。为此,提出一种采取分治策略的混合加噪声模型与条件独立性检测的因果方向推断方法。首先将一个n维因果网络分解成n个诱导子网络,分别归入三种基本结构(单度结构、非三角结构和存在三角的结构)中的一种,从理论上分别证明其有效性;其次对每个诱导子网络进行基于加噪声模型算法与条件独立性检测相结合的方向推断;最后把所有子网络合并起来构建成完整的因果关系网络。实验表明,该方法比传统的因果关系推断方法更加有效。

基于正弦加噪声模型的说话人转换方法

提出一种基于正弦加噪声模型的说话人转换方法，着重讨论通过修改音素段内的声学参数实现说话人的转换。通过修改基音频率和共振峰结构，该方法合成的语音有效地模拟了目标说话人的特性。听力测试表明，转换后的语音和目标说话人的语音相似度达到78.8％。与经典的LPC方法的对比实验验证了该法在合成语音质量方面的优越性。

四元数域干扰加噪声协方差矩阵重构鲁棒自适应波束形成

基于电磁矢量传感器阵列的四元数Capon波束形成器较传统的复数域Capon波束形成器有更好的性能。但是该方法在存在指向误差和极化失配的情况下性能急剧下降,甚至会出现信号相消现象。本文将协方差矩阵重构方法推广于四元数Capon波束形成中,通过利用Q-Capon的极化-角度谱估计得到干扰和噪声的功率来对干扰加噪声协方差矩阵进行重构,避免了对角加载方法中对对角加载因子的求解,而且能够有效克服指向误差与极化失配带来的性能下降。计算机仿真表明,该方法相较于其他四元数域的方法有着更好的性能。

基于谐波加噪声激励模型的改进语音合成算法

传统基于隐马尔科夫模型(HMM)的语音合成算法使用高斯白噪声和脉冲串来表示清浊音的激励信号,合成的语音较为嘈杂。为提高合成音质,基于谐波加噪声激励模型,提出一种语音合成算法。将语音信号逆滤波得到声门波信号,对声门波信号进行谐波分析提取谐波成分,并计算谐波成分的线谱对参数作为谐波特征进行HMM训练。在语音合成时根据新生成的特征参数重构出低频段谐波部分与高频段噪声部分,并将两者混合作为语音的激励信号进行语音合成。实验结果表明,与基于脉冲激励的语音合成算法相比,该算法生成的语音频谱更接近自然语音,并且能够有效地减轻合成语音的机器声,提高合成语音的自然度。

基于干扰加噪声协方差矩阵重建的稳健自适应波束形成算法研究

针对自适应波束形成中的期望信号“自消”问题,就近年来提出的期望信号预减除类方法展开研究。该类方法首先使用波达方向(DOA)估计技术得到期望信号的波达方向;然后从协方差矩阵中估计干扰加噪声协方差矩阵,来消除采样信号期望信号分量对算法的影响,避免产生期望信号“自消”问题,进一步修正假定的期望信号导向矢量来估计真实导向矢量;最后计算得到权矢量。理论分析给出了4种代表性方法的原理和算法的复杂度,并通过数值仿真验证,仿真结果表明,当存在阵列扰动的情况下,协方差适配重建方法在低信噪比(SNR)下获得更佳的性能。当存在指向误差的情况下,子空间重建方法在很大的输入信噪比范围内受的影响最小。文中总结了这些方法的综合性能优缺点,对于该类方法实际应用有一定指导意义。

连续时间加噪声随机T-S模糊系统的适定性

研究了连续时间加噪声随机T-S模糊系统在Ito∧意义下适定性问题,给出了存在惟一性定理的证明.举例说明了相关文献中所使用的加噪声随机T-S模糊系统模型解不具有均方积分意义下适定性,从而有力地说明了Ito∧积分在加噪声随机T-S模糊系统模型订义中的重要价值.

基于非稳态加性噪声模型的因果发现算法

因果发现旨在通过观测数据挖掘变量间的因果关系。现有的因果发现方法大多假定数据的产生过程是平稳的,然而在实际环境下往往不满足稳态假设,导致结果不可靠。研究发现,在一些场景中的非稳态扰动与时序信息高度相关。因此,在加性噪声模型基础上将非稳态扰动刻画为一项关于时序信息的函数,设计非稳态加性噪声模型,并给出非稳态加性噪声模型的识别条件,提出一种两阶段的因果关系学习算法。第1阶段利用回归计算得到变量残差,再检验残差与回归特征集的独立性从而选出叶子节点,迭代得到观测变量集的因果次序;第2阶段再次进行回归计算和独立性检验,消除第1阶段中冗余的因果关系,从而得到观测变量集的因果结构。实验结果表明,与基于约束的异构/非平稳因果发现、LPCMCI和Ti MINo算法相比,该算法在仿真数据集上取得了最优的效果,平均F1值达到0.85;而在真实因果结构数据集中,该算法的F1值平均提升41.12%,能够从非稳态数据集中恢复出更多因果结构的信息。

一般加性噪声扰动的分数阶随机复Ginzburg-Landau方程解的适定性

证明带有一般加性噪声的分数阶复Ginzburg-Landau方程解的存在性与唯一性.首先通过一族正则函数逼近原方程,然后再建立逼近解的一致估计,最后再通过极限过程证明方程的存在性和唯一性.

一类带加性噪声的随机偏微分方程在不同相空间中的中心流形

研究一类带加性噪声的随机偏微分方程在不同相空间中的中心流形的存在性.通过引入随机变换的方法处理噪声项,得到随机偏微分方程的解,生成随机动力系统,再通过Lyapunov-Perron方法证明中心流形的存在性.

基于卷积神经网络的多噪声随机共振研究

针对噪声增强卷积神经网络缺少考虑噪声类型对模型性能影响的问题,提出了一种改进的噪声增强卷积神经网络算法,使用整流线性函数作为激活函数,向输出神经元分别加入均匀噪声、高斯噪声和拉普拉斯噪声,对比研究了不同噪声类型下卷积神经网络中存在的噪声增益。MNIST数据集上的仿真实验结果表明,改进的噪声增强卷积神经网络具有更高的分类准确率,同时发现拉普拉斯噪声为模型的最优噪声类型。

自适应非凸稀疏正则化下自适应光学系统加性噪声的去除

自适应光学系统可以实时测量并校正波前信息,但是系统中大量的噪声严重影响了系统的探测精度.自适应光学系统中一般为加性噪声,本文提出一种全新的变分处理模型去除加性噪声,该模型采用自适应非凸正则项.非凸正则项在保持图像细节上较凸正则项具有更好的效果,能更好地保持点源目标的完整性.另外,根据不同区域的噪声水平自适应地构建正则化参数,使不同区域的像素点受到不同程度的噪声抑制,可以更好地保持目标的边缘细节.在算法实现上,为了解决非凸正则项收敛性较差的缺陷,采用分裂Bregman算法及增广拉格朗日对偶算法进行计算.实验及数值仿真结果都表明,该方法能够较好地去除系统中的加性噪声,且光斑信号保存得较为完整,处理后的质心探测精度及信噪比较高.

加性噪声抵消的对称相关函数法

提出了一种新的噪声抵消方法——对称相关函数法。它利用时频分析中的 WVD分布分析实信号时零频处的交叉项包含有原信号的所有信息这一特性 ,定义了对称相关函数 ,并从理论上分析了它抵消平稳随机过程中与信号不相关的加性随机噪声的机理。仿真结果证明了该方法的有效性。

加性噪声对微波光电振荡器相位噪声的影响

微波光电振荡器是一种基于微波光子技术的高频微波信号发生装置,它能够产生超高频谱纯度及超低相位噪声的微波信号。研究了典型的微波光电振荡器相位噪声产生机理及相位噪声谱密度。从构成微波光电振荡器的核心器件出发,分析了开环状态下,微波光电振荡器中的加性噪声来源及其对相位噪声的影响。

语音识别中的加性噪声补偿研究

针对语音识别中的加性噪声进行研究 ,提出了动态自适应多模板谱减法和多模板谱加训练补偿法 .动态自适应多模板谱减法是多模板谱减法和噪声动态自适应方法的有效结合 ,使谱减法既能适应环境中存在多种噪声的情况 ,又能有效利用当前得到的噪声环境信息 .而多模板谱加补偿法从谱减法的逆向角度 ,并基于多模式训练的思想 ,有效地使模板适应多种噪声情况 ,该方法不增加识别时的运算量 ,有利于考虑噪声的各种复杂情况 .

乘性/加性噪声Markov跳变系统线性均方最优控制

针对具有乘性/加性噪声的离散时间Markov跳变线性系统,运用Bellamn随机动态规划法,对于噪声相互独立和相关两种情形推导了有限终止时间和无限终止时间的随机LQ最优控制算法,控制器的求解归结为求一组代数R iccati方程解。与不含有乘性噪声的系统相比较,此R iccati方程中多了包含噪声强度的项,反映了噪声对控制器的影响,从而改善了系统的性能。仿真结果与名义系统相比较,表明了本文所设计的控制器使系统具有更优的性能。

基于加性噪声模型的基因调控网络构建算法

为在统计推断方法通过相关性来筛选基因对时,能够体现调控关系的因果性,受因果定向算法能够有效定向调控关系的启发,将加性噪声模型与因果定向算法相结合,用基于加性噪声的定向算法度量因果关系的程度,提出了一种基因调控网络构建的算法.该算法首先将加性噪声模型的因果定向算法扩展为一个特征选择算法,并通过建立调控因子集合与每个基因间的加性噪声模型来选择基因的调控因子.在DREAM5的3个数据集上的实验结果显示,结果比其他算法有明显提升,该算法可有效构建基因调控网络.

螺杆泵工作寿命的加性噪声预测

螺杆泵在油田采油生产中的工作寿命，宏观上具有随机性和时变性，因此，螺杆泵工作寿命的核心问题是最优控制或最优管理，而这种最优性又是以精确的预测为基础的。实际过程中，系统具有非线性，并含有不确定的随机因素。这样，建立精确的数学模型十分困难，但这类非线性问...

非加性噪声情形下卡尔曼滤波器的推广

在数字信号处理中,得到的信号总是或多或少伴随着噪声。如何去除噪声,恢复真实的信号,是信号处理面临的首要问题。一般情形下我们都假定噪声是加性的,即噪声是不依赖于信号的,此时,卡尔曼滤波器是一种非常简便的降噪方法,它是一个最优化自回归数据处理算法,是用前一个估计值和最近一个观察数据来估计信号的当前值,是用状态方程和递推的方法进行估计的,而且它在均方误差意义下是最优的。本文将噪声推广到一般的乘性噪声的情形,利用卡尔曼滤波的基本思想,同样可以得到均方误差意义下的最优滤波,最后通过一个模拟的例子验证了该方法的有效性。

一种基于加性噪声的通用隐写分析算法

隐写的过程相当于在原始载体图像中加入噪声"(隐写噪声"),针对加性隐写噪声模型,从突出隐写噪声的角度,利用自然图像相邻像素之间具有一定相关性和统计对称性的特点,提出一种新的通用隐写分析算法。该算法首先利用预测计算得到被分析图像的最大和最小预测误差图像,然后对这两幅预测误差图像计算联合概率分布统计矩阵作为特征向量,最后使用支持向量机(SVM)完成隐写检测。针对三种常用的隐写算法:LSB替换、LSB匹配以及LSB匹配改进算法的隐写结果进行检测,和目前典型的隐写分析算法对比,实验数据表明了该算法的有效性。

加性二值噪声激励下Duffing系统的随机分岔

研究了Duffing系统在加性二值噪声作用下的随机分岔现象.首先,根据二值噪声的统计特性,推导得到二值噪声状态间的跃迁概率,据此对二值噪声进行了数值模拟.其次,利用四阶Runge-Kutta(龙格-库塔)数值算法得到该系统位移和速率的稳态联合概率密度及位移的稳态概率密度.然后,通过对位移稳态概率密度单双峰结构变化的研究,发现加性二值噪声的状态和强度能够诱导系统产生随机分岔现象.最后,观察到随着系统非对称参数的逐渐变化,系统同样产生了随机分岔现象.