基于冗余卷积编解码器的变压器噪声抑制

变压器运行过程中产生的声信号是评估变压器运行状态以及变电站噪声水平的重要依据。提出一种基于冗余卷积编解码器网络(redundant convolutional encoder decoder,RCED)的变压器噪声抑制方法,利用短时傅立叶变换得到干净声信号和含噪声信号的时频特征,构建了变压器声信号降噪模型。通过对某换流站换流变压器的噪声信号进行测试验证,结果表明:所提模型具有较好的降噪效果,所提方法对于变压器声纹振动在线监测系统以及变电站噪声的准确检测具有参考意义。

跨层多模型特征融合与因果卷积解码的图像描述

目的图像描述结果的准确合理性体现在模型对信息处理的两个方面,即视觉模块对特征信息提取的丰富程度和语言模块对描述复杂场景句子的处理能力。然而现有图像描述模型仅使用一个编码器对图像进行特征提取,容易造成特征信息丢失,进而无法全面理解输入图像的语义。运用RNN(recurrent neural network)或LSTM(long short-term memory)在对句子建模时容易忽略句子的基本层次结构,且对长序列单词的学习效果不佳。针对上述问题,提出一种跨层多模型特征融合与因果卷积解码的图像描述模型。方法在视觉特征提取模块,对单个模型添加低层到高层的跨层特征融合结构,实现语义特征和细节特征之间的信息互补,训练出多个编码器对图像进行特征提取,在充分描述和表征图像语义方面起到补充作用。在语言模块中使用因果卷积对描述复杂场景的长序列单词进行建模处理,得到一组单词特征。使用attention机制将图像特征和单词特征进行连接匹配,用于学习文本信息与图像不同区域之间的相关性,最终通过预测模块结合Softmax函数得到单词的最终预测概率。结果在MS COCO(Microsoft common objects in context)和Flickr30k两个数据集上使用不同评估方法对模型进行验证,实验结果表明本文提出的模型性能较好。反映生成单词准确率的BLEU(bilingual evaluation understudy)-1指标值高达72.1%,且在其他多个评估指标上优于其他主流对比方法,如B-4指标超过性能优越的Hard-ATT("Hard"attention)方法6.0%,B-1和CIDEr(consensus-based image description evaluation)指标分别超过emb-g(embedding guidance)LSTM方法5.1%和13.3%,与同样使用CNN(convolutional neural network)+CNN策略的Conv Cap(convdntioral captioning)方法相比,在B-1指标上本文模型提升了0.3%。结论本文设计的模型能够有效提取和保存复杂背景图像中的语义信息,且具有处理长序列单词的能力,对图像内容的描述更准确、信息表达更丰富。

基于门控残差卷积编解码网络的单通道语音增强方法

针对卷积编解码网络(CED,Convolution encoder-and-decoder)对语音时序相关信息捕获困难的问题,本文提出了一种基于门控残差卷积编解码网络的语音增强方法。该方法在卷积编解码网络的基础上引入了门控机制、膨胀卷积与残差连接:门控机制能够很好地处理序列前后相关信息;膨胀卷积使得卷积过程获得更大的感受野,提取更加丰富的全局信息;残差连接能够防止梯度消失与梯度爆炸,提升网络精度。此外,采用频域损失函数与时域评价指标联合优化的策略对网络进行训练,以进一步提升网络增强效果。实验表明,在匹配噪声和不匹配噪声下,相比于基线CED与其他对比方法,本文方法取得了更高的PESQ、STOI与SI-SDR,对语音的清浊音都有较好恢复效果,且具有较强的泛化能力。

反馈神经网络卷积码解码器在光纤通信中的研究

反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的,RNN的性能已经在加性白噪声信道中得到了肯定。对RNN解码器在以放大自发发射(ASE)噪声为主的光纤信道中的性能进行了研究,在以ASE噪声为主的3种信道模型中,同时研究了RNN解码器和Viterbi解码器的性能,发现RNN的性能同样很好,在解码过程中还有优势。

RNN卷积码解码器在超宽带通信中的研究

反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的。在加性白噪声信道中,RNN的性能已经得到了肯定,对应不同的卷积码有不同结构的RNN解码器。本文我们研究了RNN解码器在超宽带通信系统中的性能。

基于卷积编解码网络的自由感应衰减信号提取方法

在实际应用中,自由感应衰减信号(FID)数据中通常含有大量噪声干扰,直接影响了检测结果的准确性。该文针对上述问题,设计了一种基于卷积编解码网络的FID信号提取方法。即在卷积神经网络的框架下,通过训练学习复杂噪声背景下FID数据时频谱与纯净FID信号时频谱之间的映射关系,实现FID信号的噪声压制,再经短时傅里叶逆变换完成FID信号的提取。在卷积网络训练中同时考虑了FID信号的实部和虚部特征,更好地保留了其相位信息。实验结果表明:提出的FID信号提取方法可以在多种噪声同时存在的情况下有效地压制噪声,且不损失FID信号。该方法可作为深度学习课程的验证性实验,也可作为创新性实验内容。

融合通道注意力机制和深度编解码卷积网络的道路场景分割

针对深度编解码卷积网络在道路场景分割中没有考虑对各卷积特征图通道依赖性的问题,提出了一种融合通道注意力机制的深度编解码卷积网络,并将通道注意力机制改进为双路通道注意力机制.该方法保留了原有通道注意力机制能优化背景信息的优点,同时增加另一路通道用来收集到难区分物体之间重要的特征,从而获得详细的通道注意力.实验结果表明,对于道路场景图像,融合双路通道注意力机制的深度编解码卷积网络进一步提高了分割性能,其中在评价指标准确率和平均交并比分别提高了约7个百分点和8个百分点.

基于卷积编解码器和门控循环单元的语音分离算法

在大部分基于深度学习的语音分离和语音增强算法中,把傅里叶变换后的频谱特征作为神经网络的输入特征,并未考虑到语音信号中的相位信息。然而过去的一些研究表明,尤其是在低信噪比(SNR)条件下,相位信息对于提高语音质量是必不可少的。针对这个问题,提出了一种基于卷积编解码器网络和门控循环单元(CED-GRU)的语音分离算法。首先,利用原始波形既包含幅值信息也包含相位信息的特点,在输入端以混合语音信号的原始波形作为输入特征;其次,通过结合卷积编解码器(CED)网络和门控循环单元(GRU)网络,可以有效解决语音信号中存在的时序问题。提出的改进算法在男性和男性、男性和女性、女性和女性的语音质量的感知评价(PESQ)和短时目标可懂度(STOI)方面,与基于排列不变训练(PIT)算法、基于深度聚类(DC)算法、基于深度吸引网络(DAN)算法相比,分别提高了1.16和0.29、1.37和0.27、1.08和0.3;0.87和0.21、1.11和0.22、0.81和0.24;0.64和0.24、1.01和0.34、0.73和0.29个百分点。实验结果表明,基于CED-GRU的语音分离系统在实际应用中具有较大的价值。

一种新的胎心率信号压缩方法——卷积编解码网络

为减少物联网系统中数据传输和存储的能量损失,提高胎心率数据的传输效率,实现胎儿的实时监控,本文使用卷积编解码器网络(CC-Net)压缩数据。网络有两个模块:编码和解码,在编码模块中,原始数据被压缩;在解码模块中,压缩数据被重建。然后,通过使用原始信号和重建信号的均方误差来连续更新内部参数,以使误差最小。最后,在编码模块中获得有效的压缩数据。在本研究中,该方法对胎儿心率信号的压缩率达到了12.07%,重构信号与原始信号之间的误差为0.03。本研究提出的卷积编解码器网络(CC-Net)可以实现非常低的胎儿心率压缩率,并且可以确保重建的信号与原始信号非常相似,表明压缩方法是有效的,并且保留了胎儿心率信号的重要信息。

油井下声传输系统中卷积编码的Matlab仿真

为了实现钻井过程中井下信息的实时测量和上传,采用声波作为载波是一种很有发展前景的方法。对随钻数据声波传输系统中的调制技术和编码解码方法进行了Matlab仿真,结果表明:采用QPSK调制技术和1/3编码效率的卷积编码能提高数据通信的可靠性,降低系统的误码率。

一种基于卷积神经网络的端到端语音分离方法

大部分的语音分离系统仅仅增强混合的幅值谱(短时傅里叶变换的系数),但是对于相位谱却不做任何处理。然而,最近的研究表明相位信息对于语音分离的质量起着很重要的作用。为了同时利用幅值和相位信息,本文提出了一种有效的端到端分离方法。这种方法是直接利用原始语音波行点作为特征,是一种基于编解码器的卷积神经网络结构。跟其他的说话人独立的语音分离系统不同,本文提出的方法其神经网络只输出一个说话人的信号,其他的语音可以由混合语音与网络输出信号的差值获得。我们在TIMIT数据集上验证本文提出的方法。实验结果表明,本文提出的方法明显优于句子级别的排列不变性训练(utterance-level permutation invariant training,uPIT)基线方法,对于信号失真比(signal-to-distortion ratio,SDR)相对提高了16.06%。

一种密集卷积神经网络的电视语音响度补偿方法

现有的电视语音响度补偿是针对人耳听阈和听力障碍的损失进行均衡补偿,这类方法会放大同频段的非人声。针对这类方法的缺陷,提出利用深度学习语音增强技术将人声从电视节目音频中分离出来,使用户直接听到清晰人声。对此提出密集连接卷积网络(Densely Connected Convolutional Network,DenseNet)结合卷积神经网络编解码器(Convolutional Encoder-Decoder,CED)结构的新型神经网络语音增强模型。该模型量级较轻,能够在电视上实时运行,与同量级网络参数的卷积神经网络(Convolutional Neural Networks,CNN)语音增强模型相比,效果更好且模型更小。

基于深度卷积编解码网络的fNIRS成像技术研究

在功能性近红外光谱(fNIRS)成像技术的实现中,扩散光学层析成像(DOT)具有改善定量性和分辨率的巨大潜力,但其效果受制于生理干扰(呼吸、心跳和低频振荡等)、检测系统的随机噪声以及有限测量数据量带来的不适定性。为增强fNIRS-DOT成像的性能,本文提出了一种基于模型先验信息的深度卷积编解码网络重建方法,利用分层半三维重建算法实现对表层和深层脑血氧变化信息的初步区分,发挥卷积、编解码网络对空间特征的学习能力,实现对深层脑激活信息的提取重建。为验证所提重建方法的有效性,开展了数值模拟和仿体实验,并将其与传统重建方法进行对比。结果表明,所提重建法不仅可以显著提高重建精度,极大地缩短重建时间,而且具有优异的泛化能力,为实现动态fNIRS成像提供了重要参考。

浅谈数字卫星电视接收系统的抗噪声性能

从数字卫星电视接收机的R -S解码器、卷积解码器和QPSK解调器等部分电路对系统抗噪声性能方面 ,对数字卫星电视接收系统的性能进行分析。

数字卫星电视接收系统抗噪声性能的分析

分析卫星数字电视接收系统的性能以及卫星数字电视接收机中R-S解码器、卷积解码器和QPSK解调器等部分电路对系统抗噪声性能的贡献。

IEEE 802.11a物理层链路中的删余及交织技术研究

搭建了基于正交频分复用(OFDM)的IEEE 802.11a的物理层链路平台,并针对链路平台中编译码模块,分别对其中的删余及交织环节进行了改进.基于特比译维码原理提出了一种改进的删余方法,并在其他物理层参数固定前提下,针对不同Eb/N0进行理论分析与链路性能仿真;基于改进的卷积编码器提出了一种改进的矩阵交织器结构.仿真结果表明,提出的删余方法比IEEE 802.11a标准中的相应方法在系统误码率性能方面大约有3dB的提高;改进的矩阵交织结构在Eb/N0大于5dB时,误码率有1～2dB的改善.

基于跳跃连接注意力网络的音乐分离

在对音乐进行歌声与伴奏分离过程中,基于卷积编解码的分离模型虽然在一定程度上提升了分离效果,但网络存在丢失信息的问题。为了解决这个问题,提出一种有效的歌声与伴奏分离的模型。传统方法指的是非深度学习模型,本文在基于深度学习模型的基础上进行改进,通过在卷积编解码器的跳跃连接部分加入注意力机制,解决了网络丢失重要信息的问题,提高了分离性能。在开源数据集MUSDB18上进行验证,结果表明所提的模型分离效果良好。