基于神经网络和空域聚类的时频掩蔽值估计波束形成

为进一步提升基于时频掩蔽值的波束形成的性能,提出集成基于神经网络的复值时频掩蔽值估计和基于空域聚类的实值时频掩蔽值估计的波束形成方法,旨在提高声源存在概率估计的准确性。该方法首先提取输入信号的时频特征和空域特征,将时频特征输入到神经网络得到复值时频掩蔽值。利用复值时频掩蔽值中信号的幅度和相位信息,提升存在概率估计的准确性。随后,将神经网络估计的声源存在概率作为空域聚类方法的初始时频掩蔽值,通过期望最大化算法迭代估计时频掩蔽值,从而缓解神经网络方法因数据不匹配带来的性能衰减问题。实验表明,所提集成方法相比基线系统的相对词错误率取得了7.6个百分点的性能提升。

基于深度信号分离的航空发动机可解释智能诊断方法

针对现有时频分析和信号分解等谐波提取方法在进行旋转机械无键相阶次跟踪应用时,存在无法自适应提取具有明确物理意义的转速谐波分量的问题,提出一种基于时频空间深度二值掩蔽模型的可解释性转速谐波信号自适应分离方法。首先构造一系列具有明确物理意义的转速谐波瞬时频率变化的仿真模板信号作为深度二值掩蔽模型的训练样本,然后利用构建的仿真模板信号转速基础谐波和高阶谐波的时频表征生成基础谐波时频空间二值掩蔽模型训练目标,建立起仿真模板信号时频空间和转速基础谐波时频图像之间的深度非线性映射关系,以实现转速基础谐波分量的准确分离提取和高阶谐波分量的可信掩蔽抑制,确保经深度二值掩蔽模型所得到的谐波分量具备明确的物理意义。再将深度分离所得的基础谐波分量经希尔伯特变换得到与转速信号深度非线性映射相关的瞬时相位信息,并将其应用于原始信号等角度重采样中以完成精确的阶次跟踪。综上所述,所提方法克服了传统无键相阶次跟踪方法严重依赖专家经验的问题,可为传动系统的无键相阶次跟踪提供具有明确物理意义的瞬时相位支撑。