基于希尔伯特–黄变换与分形维数的配电网选线研究

针对小电流接地系统在不同故障情况下,故障选线算法易出现误选和错选等问题,提出一种基于希尔伯特–黄变换(Hilbert Huang Transform,HHT)与分形维数的故障选线方法。考虑到互感器饱和的影响,首先对零序电流数据进行采集,对其故障前后各1/8周期数据进行经验模态分解(empirical mode decomposition,EMD),选取最高频固有模态函数(intrinsic mode function,IMF)分量进行突变点检测,比较突变点极性选出故障线路;利用分形维数方法对故障信息进行EMD,计算各IMF分量的瞬时频率与瞬时电流幅值,与故障时暂态零序电流自由振荡频率进行比较,选取主导IMF分量进行信号重构并计算分形关联维数,并在不同嵌入维数下比较关联维数大小来形成选线判据;最后通过两种选线结果的综合决策实现正确选线。仿真实验证明了该选线方法的准确性。

基于经验模态分解结合傅氏变换与Wigner分布的Mel频率倒谱系数提取

根据语音信号的非平稳特点,用经验模态分解方法把语音信号分解成一系列固有模态函数(Intrinsic Mode Function,IMF),一个IMF只含有语音信号的一部分信息,不同IMF分量携带的特征信息不同,对这些IMFs进行加权处理,得到新的语音,再对其进行后续处理.Wigner-Ville分布能精确地定位信号的时频结构,而传统傅氏变换不能反映信号的瞬时变化情况,但多分量信号的Wigner-Ville分布受困于交叉项的干扰,因此利用Wigner-Ville分布的优点,采用Wigner-Ville谱与傅氏谱结合来代替单独的傅氏谱作为每帧的特征,进行Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)提取.实验表明,经改进后的MFCC参数较传统的MFCC参数应用于说话人识别系统,识别率有较大提升,且鲁棒性较好.

基于傅里叶变换和倒谱系数的电子音乐标记算法

为解决当前对电子音乐标记准确性差、分辨率低的问题,提出基于傅里叶变换和倒谱系数的电子音乐标记算法。首先结合傅里叶变换算法采集电子音乐的特征频谱,并进行特征信号的分辨,以此计算出电子音乐的倒谱系数,根据匹配后的倒谱系数对电子音乐进行高精度分辨处理,根据分辨结果实现对电子音乐特征数值的准确标记。最后通过实验证实,基于傅里叶变换和倒谱系数的电子音乐标记算法相对于传统方法具有更高的准确性和分辨率,充分满足研究要求。

一种新的可应用于声目标识别的倒谱系数

提出一种新的倒谱系数,与目前广泛采用的美尔倒谱系数(MFCC)相比有以下改进:1)基于听觉外周模型改进了美尔频率倒谱系数(MFCC)的三角滤波器;2)用与频率相关的指数压缩代替固定的对数压缩;3)分析了频率的临界带变换在语音识别中所起的作用,从声目标识别的角度提出在临界带变换中引入与信号相关的自适应机制。通过4组声目标识别仿真对比试验,表明了新的倒谱系数比MFCC在抗噪声能力方面有明显提升。

基于HHT倒谱系数的说话人识别算法

针对LPCC只反应语音静态特征且不能突出其低频局部特征问题,提出一种以HHT倒谱系数为特征的说话人识别算法,HHT的经验模态分解使语音的低频局部特征得到更好的描述,Hilbert变换能够刻画语音动态特性,改进了LPCC的不足。用经验模态分解将语音分解为一系列固有模态函数分量并做Hilbert变换求得Hilbert边际谱,计算总边际谱的对数功率谱并做DCT得13维倒谱系数,将此特征送入高斯混合模型进行说话人识别。仿真实验结果表明,基于HHT倒谱系数的说话人识别算法,相较LPCC识别率提高了12.59%,但特征提取时间增加了19.27 s。

基于均值量的多媒体数字音频内嵌水印算法

与图片或视频相比,音频是在时间域上连续变化的信号,具有更高的维度和复杂性,且需要应对各种攻击手段,为了有效提升多媒体数字音频水印的安全性,提出一种基于倒谱变换的多媒体数字音频水印算法。通过改进小波域阈值滤波算法对多媒体数字音频信号展开分解处理,经过分解处理后,对选定的音频段展开倒谱变换,获取各段音频信号对应的倒谱系数,经过计算获取倒谱系数均值,并对倒谱系数均值量化处理,最后通过修改后的倒谱系数在多媒体数字音频内嵌入水印。通过大量实验分析证明,所提方法可以承受不同类型的攻击,有效确保多媒体数字音频的安全性。

基于小波包变换的说话人语言特征参数及其在说话识别中的应用

在说话人识别系统中,能够反映说话人个性的语音特征参数是系统的关键问题之一。本文提出了一种新的说话人识别方法:在小波变换的基础上,借鉴MFCC特征参数的提取,基于GMM模型,用小波包变换代替傅立叶变换,提取新的特征参数DWPTMFCC,实验结果表明,该方法简单可靠,有效可行,具有较高的识别率,与已有方法相比,具有广泛的实用性。

基于HHT与正则化维数的辐射源个体识别

信号特征提取是辐射源个体识别技术的关键环节。为提取更加有效的通信辐射源个体特征,提出一种利用希尔伯特-黄变换(Hilbert-Huang Transform,HHT)和正则化维数的辐射源个体识别新方法。首先,通过经验模态分解,在时域将信号分解为多个固有模态函数分量,利用希尔伯特变换获取信号时频能量谱和边缘谱;其次,计算时频能量谱和边缘谱的正则化维数作为辐射源信号的复杂度参数,并联合能量熵组成特征向量;最后,利用支持向量机实现辐射源个体识别。实验结果表明,正则化维数具有良好的类内聚集性和类间可分性,所提方法优于基于HHT能量谱的2种经典方法,并在低信噪比条件下具有较为显著的优势。

语音特征参数MFCC的提取及其应用

Mel频率是能够反映人耳对不同频率语音感知能力的一种频率表达方式.主要介绍了Mel频率倒谱系数(MFCC)的特点及提取方法,并提取了MFCC的一阶差分,使特征参数在说话人识别上能够更加准确的反映语音信息,提高识别率.

基于分形维数和HHT的蚜虫刺吸电位波形机器识别

昆虫刺吸电位(electricalpenetrationgraph,EPG)技术在研究刺吸式昆虫取食行为、昆虫与植物的关系、昆虫传毒机制、作物抗虫机制等方面得到了广泛的应用,然而EPG信号的识别和分析一直是靠人工进行,亟需波形自动识别系统以提高分析效率。刺吸式昆虫取食植物时,产生的EPG波形跟昆虫和植物的种类有关,不同类别的刺吸式昆虫EPG波形差别很大,即使是同种类型的EPG波形其幅值和频率间也会有差异,这给EPG波形的机器识别带来了困难。该文以蚜虫的EPG信号为研究对象,对np波、pd波、E1波、E2波、G波、C波和F波的特征提取和分类识别进行了研究,提出了一种基于分形维数、希尔伯特-黄变换(hilbert-huang transform,HHT)和决策树的EPG波形识别方法。首先对EPG仪器采集得到的信号进行去噪预处理,分别提取分形维数和HHT共10维特征,组成不同维数的特征向量进入决策树分类器进行对比试验。试验结果表明,可采用分形盒维数、Hurst指数、前2层的谱质心和加权频率融合的6维特征向量获得较高的识别率。在EPG波形的机器识别中采用6维特征向量输入的决策树进行分类,通过对4组不同样本进行测试,得到了92.14%、89.29%、95%和89.29%的识别率,平均识别率为91.43%。研究结果表明该文提出的基于分形维数和HHT的特征提取方法以及构建的决策树分类器具有一定的可行性,可为研发EPG信号自动识别分析系统提供理论参考。

基于HHT变换的病态嗓音特征提取及识别研究

主要介绍基于HHT变换提取的瞬时能量(A)和瞬时频率(f)的标准差参数作为病态嗓音特征参数的有效性,详细描述了A-f新特征参数的提取过程,并利用DHMM模型对A-f标准差新特征参数,与语音识别中常用的MFCC系数进行识别。识别结果表明,由HHT变换提取的A-f标准差参数更适合于描述病态嗓音,更能有效区分病态嗓音和正常嗓音。

基于小波变换的鲁棒性语音特征提取新方法

提高语音识别系统的鲁棒性是语音识别技术一个重要的研究课题。语音识别系统往往由于训练环境下的数据和识别环境下的数据不匹配造成系统的识别性能下降。为了能得到无噪音的语音识别特性,让语音识别系统在含噪的环境下获得令人满意的工作性能,根据人听觉特性提出了一种鲁棒语音特征提取方法。将小波变换和MFCC算法相结合,在MFCC的前端用小波包变换代替FFT和Mel滤波器组,同时在后端用临界小波变换代替DCT,最后得到鲁棒语音特征。通过实验结果分析表明,将方法用于抗噪声分析可以提高系统的抗噪声能力;同时特征的处理方法对不同噪声有很好的适应性。

基于音频去干扰自学习神经网络的地下线缆定位系统研究

城市地下线缆是城市电力、通信、网络和其他基础设施系统的核心组成部分,其管理和维护逐渐成为保证城市正常运行的关键。为便捷准确地对地下线缆的故障点进行定位,提出基于音频去干扰预处理算法和一种引入残差模块的深度神经网络的地下线缆定位方法。首先通过预加重、分帧和加窗等预处理步骤将采集到的原始音频数据转化为规则化的时域音频片段,然后快速傅里叶变换将其转化到频域,并提取音频信号的梅尔倒谱系数特征,最后将音频片段以频谱形式输入进基于VGG网络改进的深度学习神经网络,从而构建故障音频识别模型。设计不同神经网络模型对故障音频数据集的识别实验,结果显示改进的VGG网络结合MFCC混合特征向量进行故障音频识别,能进一步提高识别准确率。

基于提升小波变换的MFCC在目标识别中的应用

水下环境噪声对被动声呐目标的分类识别影响显著,为了提高水声信号识别系统对环境噪声的鲁棒性,采用提升小波变换方法提取MFCC特征,对水下被动声呐目标进行分类和识别。仿真实验表明,与传统MFCC和小波变换的MFCC相比,在信噪比相近的情况下,提升小波变换方法提取MFCC具有识别率较高、对噪声鲁棒性较好的显著优点。

小波包变换与Teager能量算子结合的说话人识别

在说话人识别系统中,语音特征参数的提取是影响系统性能的关键因素之一。在研究了MFCC参数的基础上,结合MFCC参数在信号的低频部分具有高频率分辨率以及小波包变换可以对信号的高频部分进行分解以提高高频部分的频率分辨率的优点,将二者结合,将Teager能量算子引入到信号高频部分的能量参数求解,构造了一种新的混合特征参数,采用支持向量机实现说话人的分类识别。实验结果表明,该特征参数有效提高了说话人辨识系统的识别率。

HHT和SVM在4-UCA信源数估计中的应用

四均匀圆阵(4-UCA)广泛应用在阵列信号处理的来波方向(DOA)估计中,而正确估计出信号源个数有利于提高DOA估计的性能。基于4-UCA,利用HHT自适应分解信号的优点,通过求取阵列间希尔伯特相位相关系数矩阵特征值来对信号源提取特征,并把特征值输入SVM训练分类器,从而将信号源个数估计的问题转换为模式识别中的分类问题来解决。通过采集实际数据实验,结果显示,正定情况下,该方法对信号源个数有较好的识别效果,同时检测性能具有鲁棒性。

基于发声机理与人耳感知特性的说话人识别

Mel频率倒谱系数(MFCC)与线性预测倒谱系数(LPCC)融合算法只能反映语音静态特征,且LPCC对语音低频局部特征描述不足。为此,提出将希尔伯特黄变换(HHT)倒谱系数与相对光谱-感知线性预测倒谱系数(RASTA-PLPCC)融合,得到一种既反映发声机理又体现人耳感知特性的说话人识别算法。HHT倒谱系数体现发声机理,能反映语音动态特性,并更好地描述信号低频局部特征,可改进LPCC的不足。PLPCC体现人耳感知特性,识别性能强于MFCC,用3种融合算法对两者进行融合,将融合特征用于高斯混合模型进行说话人识别。仿真实验结果表明,该融合算法较已有的MFCC与LPCC融合算法识别率提高了8.0%。

有效的基于内容的音频特征提取方法

音频特征提取是音频分类的基础,好的特征将会有效提高分类精度。在提取频域特征Mel频率倒谱系数(MFCC)的同时,对每一帧信号做离散小波变换,提取小波域特征,把频域和小波域特征相结合计算其统计特征。通过SVM模型建立音频模板,对纯语音、音乐及带背景音乐的语音进行分类识别,取得了较高的识别精度。

基于FMFCC和HMM的说话人识别

美尔频率倒谱系数(MFCC)是说话人识别中常用的特征参数,而语音信号是非平稳信号,MFCC并不能很好的反映语音的时频特性。针对这一缺陷,为了提高说话人的识别率,结合新的时频分析工具分数傅立叶变换(FRFT)。将MFCC推广到分数形式,得到分数美尔频率倒谱系数(FMFCC),用以表征语音信号的特征;并利用可分性测度验证了特征参数的有效性;通过建立20个不同说话人的FMFCC特征库,采用隐马尔可夫模型(HMM)对说话人进行仿真识别。仿真结果表明,在合适的变换阶次下,说话人的平均识别率可达93%以上。

面向电力机房监控的音视频融合检测方法研究

为实现电力机房重点区域指示灯安全事件的监控,提出一种音视频融合检测方法。采用监控区域彩色图像非线性变换和最大类间方差法自动阈值分割技术进行指示灯定位,将局部区域统计直方图作为视频特征向量。采用连续多帧梅尔频率倒谱系数建立监控区域的音频特征向量。利用主成分分析对连续多帧的音视频融合特征向量进行降维处理,并借助支持向量机对不同安全事件进行分类检测。实验结果表明,与单独采用音频或者视频进行安全事件检测的方法相比,该方法具有较高的检测率和较低的误检率。