基于蜂群声音子带功率比的分蜂预测

通过监测蜂群声音帮助蜂农识别蜂群健康状况、预测分蜂等是精准管理蜂群的一个重要手段。目前蜂群声音识别器一般基于蜂群声音多个特征的机器学习算法构建的。以中华蜜蜂(Apis ceranan)为研究对象,利用"人工分蜂"方法获取分蜂现象,分析了分蜂和正常蜂群声音信号的功率谱密度。结果表明,分蜂前和准备分蜂时的蜂群声音在频率分布上有明显差异,正常蜂群声音的最大功率密度位于0～200 Hz之间,准备分蜂时蜂群声音的最大功率密度位于200～400 Hz之间。以子带功率比为特征向量,基于CART决策树算法构建了蜂群声音分类识别器,该声音识别器预测分蜂的先验概率可达99. 04%。为发展蜂群声音识别器提供了新的技术参数。

基于子带功率均值的天线故障特征提取及分类技术

针对测控天线传动链常见的螺栓松动故障,提出了一种子带功率均值(APSDS)的振动信号特征提取方法,通过搭建天线座架试验平台进行故障模拟和振动数据采集,并利用多层神经网络进行故障分类诊断及预测试验。试验结果表明,本文所提出的APSDS法能够有效增强故障状态的特征区分度,平均故障分类准确率达到95%以上,该方法的提出可在天线健康管理系统中具有较好的实用价值。

基于子带可控响应功率的多声源定位方法

为了提高多个说话人情况下麦克风阵列的定位性能,提出基于子带可控响应功率的多声源定位算法。该算法将语音信号频域分为7个子带,在每个子带计算相位变换加权的可控响应功率函数,在声源空间搜索其最大值得到声源位置的初始估计。根据语音信号频率的稀疏性,这些初始估计包含多个声源的位置,运用会聚聚类算法得到最终的声源位置估计。仿真和实验表明,在有2个说话人,10 dB信噪比,较强混响的条件下,该算法比传统算法的定位正确率提高了约4%,额外率降低了约7%。

基于谱熵的耳语音增强研究

建立了一个小型耳语音库,并分析了耳语音的特点。在此基础上引入基于子带功率谱熵的改进谱减法对耳语音进行增强处理。该方法通过分析耳语音信号的子带功率谱熵,检测出耳语音的噪音段和语音段,然后对噪音段和语音段分别进行改进谱减处理,以达到良好的去噪效果。实验证明:此方法能有效分离出耳语音的噪声段和语音段,与传统谱减法相比,信噪比有了较大的提高。