基于加权次梯度投影算法的数字助听器自适应声反馈抑制

本文提出了一种利用加权自适应次梯度投影算法(Weighted Adaptive Projection Subgridient Method,WAPSM)进行声反馈抑制的方案。WAPSM算法来自于自适应次梯度投影算法(Adaptive Projection Subgridient Method,APSM),它以次梯度投影的超平面作为搜索区域来进行松弛投影。本文提出的算法将估计系统的先验知识以权重因子一在很多应用中为指数衰减一的方式加入APSM算法中提高算法性能。以WAPSM算法应用于助听器声反馈抑制的大量仿真实验表明,算法相比传统的NLMS算法和APSM算法在收敛速度、稳定性和精度方面取得了显著的进展。进一步的实验表明,算法在以实际语音作为数字助听器输入信号时取得了优异的性能,并且在低信噪比条件下具有较强的鲁棒性。

基于次梯度投影的数字助听器自适应声源定位方法

该方法在特征值分解算法的基础之上,利用次梯度投影方法自适应估计声源到麦克风的脉冲响应系数,进而估计出各麦克风之间时延,并利用几何方法定位声源在3D空间的位置.与传统的基于广义互相关的时延估计算法相比,提出的算法在房间反射与共振的情况下定位精度更高;与基于NLMS算法的自适应特征值分解时延估计算法相比,提出的算法收敛速度更快,并且在强噪声的情况下鲁棒性更强.基于眼镜数字助听器声源定位系统的实验与仿真研究了麦克风阵不同的几何尺寸对算法性能和定位精度的影响,证明了在不同信噪比情况下该算法都能有效定位声源的3D空间位置.

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

一类新的伪单调惯性次梯度外梯度粘性方法

本文考虑希尔伯特空间上的伪单调变分不等式的求解算法。在现有文献的基础上,通过引入自适应步长规则和结合粘性逼近法,给出了一个新的求解伪单调变分不等式问题的惯性次梯度外梯度方法,并在一般假设条件成立下,证明了新算法在希尔伯特空间中具有强收敛性。与现有文献相比,新算法的收敛条件减弱,并且新算法的收敛性更强。

CARS-SPA算法结合高光谱检测马铃薯还原糖含量

以竞争性重加权自适应选择算法(CARS)结合连续投影算法(SPA)选择马铃薯还原糖含量特征波长,共制备238个样本,比色法测定马铃薯还原糖含量,选择190个样本作校正集,48个样本作验证集,与全光谱和经典变量提取方法比较。结果表明,CARS-SPA算法筛选波段效果最佳,相比于全谱建模其参与建模波长点由203个减少到17个,模型验证集决定系数r^2由0.8464提高到0.8965,均方根误差(RMSEP)由0.0758降到0.0490。结果表明,采用CARS-SPA结合高光谱成像技术检测马铃薯还原糖含量结果可行。

湖滨绿洲棕漠土有机碳含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,利用实测棕漠土有机碳含量与高光谱(350~2 500 nm)数据,应用竞争性自适应重加权采样算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权采样-连续投影算法(CARS-SPA)筛选棕漠土有机碳含量响应的高光谱特征波段,分别采用全波段和特征波段结合随机森林(RF)模型构建棕漠土有机碳含量估算模型。结果表明:博斯腾湖湖滨绿洲棕漠土0~50.0 cm土层有机碳含量为1.40~40.92 g/kg,平均值为14.20 g/kg,变异系数为55.54%,呈中等变异水平。CARS、SPA、CARS-SPA等算法筛选出的棕漠土有机碳含量响应特征波段分别为122个、11个和10个。基于CARS-SPA算法筛选出的特征波段数据输入RF模型估算效果最好,验证集检验的决定系数(R^(2))、相对分析误差(RPD)、均方根误差(RMSE)分别为0.85、2.59和2.72 g/kg,该方法能有效减少光谱数据冗余、提高模型估算精度和运行效率。本研究结果为研究区棕漠土有机碳含量的估算提供参考。

新疆博斯腾湖湖滨绿洲不同土地利用类型土壤电导率高光谱估算

为了更精准了解博斯腾湖湖滨绿洲不同土地利用类型的土壤含盐量,应用竞争性自适应重加权采样(CARS)、连续投影算法(SPA)、竞争性自适应重加权-连续投影算法(CARS-SPA)3种方法筛选不同土地利用类型土壤电导率高光谱数据的特征波段,基于全波段和特征波段结合BP神经网络分别构建湖滨绿洲的耕地、林地、荒地和整体土地的土壤电导率估算模型,对比不同方式的估算模型精度。研究结果表明:1)耕地、林地、荒地及整体土地的土壤电导率均值分别为0.84、5.43、5.78、3.26 mS/cm。湖滨绿洲整体土地的电导率相比耕地平均值增加了2.42 mS/cm,相比林地和荒地减少了2.17、2.52 mS/cm。2)通过CARS-SPA方法可以降低输入模型的波段数,提高模型的效率,筛选耕地、林地、荒地及整体土地的土壤电导率的特征波段数仅占全波段的0.71%、0.59%、0.06%、1.00%。3)对耕地、林地、荒地的土壤电导率构建单独的估算模型明显提高了研究区土壤电导率的估算精度,在FDR-CARS-BP、FDR-SPA-BP、FDR-CARS-SPA-BP共3种模型中,耕地、林地、荒地土壤电导率建模的平均R2相比整体土地建模分别提高0.12、0.14、0.15,FDR-CARS-SPA-BP模型为研究区土壤电导率高光谱估算最优模型。

基于冠层高光谱数据的油茶炭疽病病情指数估测

利用一阶导数、S-G平滑及多元散射校正等光谱预处理方法对油茶炭疽病危害下原始光谱进行预处理后,采用SPXY样本划分法将65个样本按7∶3将样本划分为45个校正集和20个预测集,再对不同预处理的光谱数据建立油茶炭疽病病情指数偏最小二乘回归模型。结果显示,在多种预处理方法中,S-G平滑预处理效果最好。通过连续投影算法(SPA)以及竞争性自适应重加权采样算法(CARS),从S-G平滑预处理的光谱中提取特征波长,进而构建基于偏最小二乘回归(PLSR)的油茶炭疽病病情指数的估测模型。试验结果发现,基于SPA所提特征波长建立的SPA-PLSR模型预测集R^(2)_(p)和预测均方根偏差(RMSEP)分别为0.700和0.072,基于CARS所提特征波长建立的CARS-PLSR模型预测集R^(2)_(p)和RMSEP分别为0.834和0.053;CARS-PLSR预测模型总体上要优于SPA-PLSR模型,可实现油茶炭疽病病情指数的估测。

基于变量优选和近红外光谱技术的红富士苹果产地溯源

为实现对红富士苹果的产地溯源,采集阿克苏、静宁、灵宝、烟台的红富士苹果近红外光谱数据,分别采用归一化、中心化、一阶导数、二阶导数、标准正态变换、多元散射校正(multivariate scattering correction,MSC)、小波变换、SG平滑变换、傅里叶变换等9种方法对原始光谱进行预处理,建立概率神经网络(probabilistic neural network,PNN)模型对苹果的产地进行识别。结果表明,MSC预处理之后的模型总准确率最高,为97.5%,阿克苏、静宁、灵宝、烟台4个产地的准确率分别为100%、100%、90%、100%。为简化模型,对MSC预处理之后的光谱数据分别采用主成分法、连续投影算法(successive projection algorithm,SPA)、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机蛙跳算法(random frog,RF)、CARS-SPA、RF-SPA选取特征变量建模。综合考虑正确率和模型的复杂性,最优模型MSC-CARS-SPA-PNN的测试集的总准确率为98.75%,4个产地的红富士苹果准确率分别达到了100%、100%、95%、100%。该研究可为红富士苹果的产地溯源提供理论参考。

基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量

为实现脐橙叶片叶绿素含量无损检测及其分布可视化表征,采用高光谱成像技术,结合自适应重加权算法(CARS)和连续投影算法(SPA),筛选特征光谱变量,进行脐橙叶片叶绿素含量及可视化分布研究。选取叶绿素测量位置的7×7矩形感兴趣区域,提取并计算脐橙叶片平均光谱。基于Kennard-ston方法,将148个脐橙叶片样品划分成建模集和预测集(111∶37)。采用CARS和SPA算法分别筛选出了32个和6个叶绿素特征光谱变量,用于建立偏最小二乘(PLS)回归模型。采用37个未参与建模的脐橙叶片样品评价模型的预测能力,经比较,CARS-PLS和SPA-PLS模型均优于变量筛选前的PLS模型,且CARS-PLS和SPA-PLS模型的预测能力几乎相同,其预测集相关系数分别为0.90和0.91,均方根误差分别为1.53和1.60。SPA-PLS模型计算脐橙叶片每个像素点的叶绿素含量,经伪彩色变换,绘制了脐橙叶片叶绿素含量可视化分布图。实验结果表明:变量筛选方法结合高光谱成像技术,能够实现脐橙叶片叶绿素含量无损检测及叶绿素分布可视化表达,并简化了数学模型。

基于变量优选的苹果糖分含量近红外光谱检测

目的:在900~1700 nm的波长范围内采集苹果的近红外光谱数据,结合化学计量学方法对糖分含量进行无损检测。方法:先对光谱数据依次进行基线校正、散射校正、平滑和尺度缩放,以交叉验证的均方根误差最小选出最佳的预处理方法。采用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)分别选取7,52个特征变量。分别以连续投影算法选取的特征变量、竞争性自适应重加权算法选取的特征变量、两种方法选出的特征变量的组合作为输入自变量,建立线性偏最小二乘回归法模型和非线性的极限学习机模型。结果:组合的特征变量建模效果优于单一方法选出的特征变量的建模效果,非线性模型优于线性模型。结论:采用组合的特征变量,建立极限学习机模型,预测效果最优,训练集的均方根误差为0.7101,拟合优度为0.8838,测试集的均方根误差为0.6375,拟合优度为0.8945。

基于近红外特征变量筛选对火麻油掺杂的快速检测

利用近红外光谱技术对掺杂了大豆油、花生油、葵花籽油和玉米油的火麻油进行鉴定,结合偏最小二乘法(PLS)和最小二乘支持向量机(LS-SVM)模型建立定量分析,并利用连续投影算法(SPA)和竞争自适应重加权采样算法(CARS)提取特征变量.结果表明:LS-SVM回归模型的准确度优于PLS模型,其预测相关系数R_p^2分别达到0.950 4、0.905 8、0.857 4和0.767 3;SPA和CARS是两种有效的特征变量选择算法,能够提高模型的准确性,并且CARS效果优于SPA;其中,LS-SVM-CARS模型的R_p^2分别达到0.982 1、0.907 5、0.958 7和0.924 9.因此,在油脂掺杂快速检测中,LS-SVM-CARS是一个准确度高、变量数少、传递性较强的定量分析模型.

基于近红外光谱和支持向量机回归参数调优的羊肉含水量检测

羊肉中的水分含量直接影响着其加工、贮藏和口感,因此对其水分含量的检测具有十分重要的意义。在900~1700 nm的波长范围内采集南疆羊肉的光谱数据,采用一阶导数(first derivative,1-DER)、标准正态变换(standard normal transformation,SNV)、多元散射校正(multivariate scatter correction,MSC)、小波变换(wave transformation,WT)、SG平滑变换(Savitzky Golag smooth transformation,SG)、傅里叶变换(Fourier transform,FT)对原始光谱数据进行预处理。分别采用连续投影算法(successive projection algorithm,SPA)和竞争自适应重加权算法(competitive adaptive reweighted sampling,CARS)进行光谱特征选取,建立偏最小二乘回归(partial least squares regression,PLS)和支持向量机回归(support vector regression,SVR)模型对羊肉水分含量进行预测。结果显示,采用1-DER-CARS-SVR模型,选取参数c为0.7011,g为0.0884时,预测效果最佳,测试集的均方误差为1.2162,拟合优度为0.7395。研究结果为研发羊肉水分含量的无损检测装置提供理论参考。

噪声与共振环境下的数字助听器鲁棒声源定位法(英文)

提出了一种噪声与共振环境下的数字助听器鲁棒声源定位方法,该方法基于房间共振模型和多通道自适应特征值分解算法,利用自适应次梯度投影方法迭代地估计声源至各麦克风的脉冲响应系数,从而获得各麦克风对的时延差,并利用几何方法计算声源位置。针对眼镜数字助听器四元麦克风方阵的仿真表明,所提出的自适应次梯度投影方法在强噪声环境中的鲁棒性和定位精度优于传统NLMS算法。

数字助听器系统中的回声消除方法

提出一种数字助听器回声消除方法,该方法通过引进预滤波单元,解决了由于前向路径存在而导致数字助听器系统受话器输出信号与麦克风输入信号存在相关性的问题,进而保证了对回声路径的自适应估计算法收敛于无偏估计。提出了数字助听器回声路径估计的自适应次梯度投影算法,相比传统的NLMS自适应算法收敛速度更快,收敛精度更高,对噪声鲁棒性强。使用白噪声和真实语音信号的仿真实验证明:对于长的房间回声路径或短的助听器回声路径,该算法都能快速准确地收敛到正确路径。

基于高光谱和数据挖掘的油菜植株含水率定量监测模型

为了构建监测效果更好、更具普适性的油菜植株含水率(Plant water content,PWC)定量监测模型,以油菜品种浙杂903、宁油22和宁杂1818为试验材料,设置2个施肥水平和3个水分处理,基于2019-2020年和2020-2021年生长季田间试验资料,在PWC的高光谱响应敏感波段范围采用逐步回归(Stepwise regression, SR)分析、连续投影算法(Successive projection algorithm, SPA)、竞争自适应加权算法(Competitive adaptive reweighted sampling, CARS)以及减量精细采样法(Reduced precise sampling method, RPSM)深度挖掘高光谱数据,通过筛选最优波段组合与光谱指数,基于线性回归(Linear regression, LR)、BP神经网络(Back-propagation neural network, BPNN)和支持向量机回归(Support vector regression, SVR)方法构建并比较油菜植株含水率监测模型。结果表明,针对油菜PWC监测,SR分析筛选的最优波段组合为730 nm、986 nm和1 071 nm, SPA法分析筛选的最优波段组合为686 nm、695 nm、707 nm、746 nm、964 nm、1 065 nm和1 069 nm, CARS法分析筛选的最优波段组合为694 nm、695 nm、696 nm、863 nm、864 nm、893 nm、973 nm、986 nm、1 050 nm和1 071 nm。RPSM筛选的最优光谱指数是归一化差值光谱指数(R981,R894)和比值光谱指数(R981,R894),其利用的波段均位于近红外波段。前述3个方法筛选的波段变量更多,蕴含的信息更全面,估测精度普遍优于光谱指数。建模分析结果表明,SPA-LR模型、SPA-BP模型、SPA-SVR模型均能实现油菜PWC的精确监测,经检验,其估测值和实测值的R2分别为0.693、0.940、0.841,均方根误差(RMSE)分别为1.623%、1.836%和1.227%。结果证明高光谱数据具备深度挖掘价值,运用全波段光谱分析方法能够在降维的同时保留有效信息,利用筛选出的波段组合构建线性或非线性模型,均能实现大田条件下全生育期油菜植株含水率的定量监测。

砂壤潮土有机质含量可见-近红外光谱预测

土壤有机质(SOM)是影响播量的土壤关键参数,根据SOM信息对播量进行实时调控,投入最优化的种子量,充分利用地力资源挖掘产量潜力,节约良种,实现种植收益最大化,是目前播种领域最前沿的研究方向。以玉米主产区之一的华北平原为研究区域,对该区域砂壤潮土进行了可见-近红外(300~2500 nm)光谱采集。采用蒙特卡罗交叉验证剔除了异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理。分别通过竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权-连续投影(CARS-SPA)、无信息变量消除(UVE)及变量组合集群分析法(VCPA)等波长筛选方法提取有效变量,并结合偏最小二乘回归(PLSR)分别建立了全波长和特征波长的SOM含量预测模型。结果表明,不同方法筛选的波长数目及波长位置存在显著差异,CARS和SPA算法选择的光谱特征在整个光谱范围都有分布,UVE和VCPA筛选的波段较为集中,且基于CARS-SPA方法可以进一步优选特征变量,其特征波长仅为全波长数量的15%。通过对比不同模型的建模及预测效果,除UVE和VCPA算法外,其余算法构建的模型均能实现SOM含量的有效预测,其RPD值均大于2.0。基于CARS-SPA构建的PLSR模型效果最好,其R2P和RPD分别0.901和3.188,均高于其他方法,不仅降低了无效信息对预测效果的干扰,且模型的运算效率得到了明显的提高,可以很好地实现该地区SOM含量的可靠预测。该研究可以为SOM含量快速预测及仪器设计提供方法参考。

WCARS-ISPA火焰光谱特征选择的转炉炼钢终点预测

对转炉炼钢终点的实时精准控制能够有效提高钢铁产出的质量,炉口火焰光谱在炼钢不同时期的变化明显,对其进行分析处理并与机器学习方法相结合可有效用于炼钢终点的实时控制。针对炉口火焰光谱数据量大、现有方法对光谱特征提取在可信度和实时性上不足的缺陷,提出一种基于窗口竞争性自适应重加权采样(WCARS)结合迭代式连续投影算法(ISPA)的光谱特征波长选择方法,该方法在有效解决模型过拟合问题的同时,能够降低高维数据计算的复杂度。将火焰光谱数据沿波长方向进行窗口划分后,使用CARS进行计算选出特征窗口波段,再将迭代式选择与传统连续投影算法相结合,通过重复迭代精选出特征波长,在此基础上使用支持向量机回归(SVR)建立炼钢终点碳含量预测模型。实验采集363组炼钢后期的炉口火焰光谱数据作为样本,并对其进行Savitzky-Golay平滑预处理。使用WCARS-ISPA算法从全光谱数据中选出10个特征波长作为SVR模型的输入,碳含量为模型输出,Kennard-stone算法对训练集和测试集进行划分,选择碳含量的平均预测误差、预测误差在±2%以内的命中率以及运行30次的平均时间作为模型评价指标。实验结果显示,模型的平均碳含量预测误差为1.4132%,命中率高达90.63%,运行时间为0.019679 s。与使用全光谱和WCARS-ISPA,CARS-SPA,WCARS和SPA四种不同特征选择方法选出的特征波长建模得到的结果进行对比,基于WCARS-ISPA方法选出的特征波长建立的终点碳含量预测模型误差最小、命中率最高。提出一种新的炉口火焰光谱特征波长提取方法,使用窗口竞争性自适应重加权采样结合迭代式连续投影算法选取特征波长,并在此基础上建立转炉炼钢终点碳含量预测模型,实验结果表明,该方法能够有效提取火焰光谱特征,所建模型能够对转炉炼钢终点进行准确预测,满足工业生产的实时控制要求,为实际生产提供可靠帮助。

多品种苹果可溶性固形物近红外无损检测通用模型研究

苹果可溶性固形物含量(soluble solid content,SSC)是影响果实质量的重要因素,利用近红外光谱(NIR)技术则可以实现对苹果SSC的无损检测。为获得稳健的多品种苹果无损检测通用模型,本研究将模型更新方法与变量筛选方法相结合,对红富士(Red Fuji)、青苹果(Green apple)、黄元帅(Golden Delicious)、红玫瑰(Rose)和乐淇(Lokit)等5个品种苹果的SSC进行无损检测。结果表明,更新后的新模型可以实现对5个品种苹果的SSC的高精度预测,此时模型预测均方根误差(RMSEP)为0.698%,预测相关系数(Rp)为0.904,预测偏差为0.074%,范围误差比(RPD)可达2.340。为识别和提取光谱的重要信息波段,还采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)3种波段筛选方法优化模型。结果表明,CARS更能有效地选取出有效变量,建立的模型对新品种苹果的预测性能有明显改善,RMSEP为0.587%,Rp为0.928,预测偏差减少到−0.052%,RPD=2.684。

基于紫外/可见光谱技术的李子硬度无损检测

目的探究采用紫外/可见光谱技术结合化学计量学预测李子硬度的可行性。方法以“红”李子和“青”李子为研究对象,采用光谱采集系统获取李子样本的平均光谱;采用标准正态变换对原始光谱数据进行预处理,并利用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)从全光谱的1024个波长中分别提取2个(513.04 nm和636.72 nm)和10个(230.01,244.67,274.71,287.66,290.90,300.59,311.78,423.08,515.39,631.31 nm)特征波长;分别建立基于全光谱和提取的特征波长预测李子硬度的误差反向传播(BP)网络模型。结果将采用SPA和CARS特征波长选择方法提取的特征变量作为BP网络输入,明显提升了BP网络模型的运行效率,且SPA-BP网络模型具有相对较好的李子硬度预测能力(rp=0.695,预测样本集均方根误差为1.610 kg/cm2)。结论采用紫外/可见光谱技术结合特征波长提取方法可实现李子硬度的快速无损检测。