基于多时间尺度的城市轨道交通短时OD估计

基于状态空间模型构建了城市轨道交通短时OD估计的多模型组合方法,估计早晚高峰期间15 min内进站客流的去向目的站.组合模型以不同时间尺度下的进站客流分流率为状态变量,并利用历史数据预估其中通勤客流的分流率,然后通过交互多模型算法加权融合不同时间尺度下的分流率估计结果.以北京地铁为案例,研究表明:早高峰期间的15 min分流率估计误差的平均值和最大值分别为16.4%和21.8%,晚高峰期间分别为22.7%和24.6%,比既有文献的估计误差减小了约一半.本文的研究成果可为实时的线网客流分布预测提供更准确的输入数据,以辅助运营管理部门实现客流预警和应急响应.

基于噪声短时谱动态估计的语音增强谱减算法

针对谱减法增强语音后残留"音乐噪声"明显,影响语音清晰度的问题,在分析现有的噪声谱减算法基本特性的基础上,提出一种基于噪声短时谱动态估计的语音降噪方法。通过估计噪声短时功率谱及其变化趋势,动态调整谱减法中的过减系数,有效抑制残留噪声。仿真实验表明,新的谱减算法在提高语音信噪比的同时保持较小的失真度,具有较好的增强效果。

城市轨道交通网络短时客流OD估计模型

基于状态空间方法构建适用于城市轨道交通网络的短时客流OD(origindestination)估计模型.利用自动售检票数据分析得到OD间乘客行程时间分布特征,构建基于行程时间分布的客流到达系数,以此建立OD流与车站进出站客流间相互关系,并以车站客流分离率为状态变量构建结构化OD矩阵估计状态空间模型.以北京市轨道交通为对象进行案例分析,结果表明,当估计时段长度为15 min时,估计平均相对误差为35.5%;为30 min时,估计平均相对误差为20.4%;为60 min时,估计平均相对误差为16.3%.所构建模型能能有效解决城市轨道交通短时客流估计问题,具有一定的实用性.

短时距估计中刺激物的动态变化效应

用两个实验考查了时距估计中刺激物的动态变化效应。结果发现,刺激物的运动、速度和旋转角度显著地影响着被试的时间判断,刺激物速度的时距延长效应对于较长时距(18s-24s)来说更加明显;运动刺激与较短、较准确的时距判断相关联;旋转角度的减少使得被试低估时距,而旋转角度的增加使得时距估计呈高估倾向。被试在时间估计过程中表现出长时距低估和短时距高估现象,本研究得到的时间估计转换点是11.4s,此点与先前的有关研究基本一致。

基于短时对数谱估计MMSE的语音增强算法研究

结合语音激活检测(VAD)技术对短时对数谱估计最小均方误差(LSA-MMSE)语音增强算法进行了改进。通过实验表明,LSA-MMSE增强算法在消除背景噪声、增加语音清晰度和提高语音自然度等方面比谱减法更加有效。

优化正交匹配追踪和短时谱估计用于声音识别

声音事件识别时受到各种环境声的影响,采用优化正交匹配跟踪(Orthogonal Matching Pursuit,OMP)和短时谱估计对声音信号进行二次重构,能有效提高识别性能。采用粒子群算法(Particle Swarm Optimization,PSO)优化OMP稀疏分解作首次重构,保留声音信号的主体;采用短时谱估计对首次重构后的残余信号作声音增强处理,完成二次重构,去除非平稳噪声和提高重构声音信号的精度;对重构信号提取梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征、优化OMP时-频特征和基频(Pitch)特征,组成复合抗噪特征集OOMP;使用深度置信网络(Deep Belief Network,DBN)对OOMP特征进行学习,并对40种声音事件在不同环境不同信噪比下进行识别。实验结果表明,该方法在不同信噪比的各种环境声中平均识别率为70.44%,且在-5 dB的情况下仍然可以达到49.90%的识别率,从而说明所提方法能有效地识别各种环境下的声音事件。

学习障碍学生与普通学生短时距估计的比较

通过视觉刺激方式,对学习障碍学生和普通学生的三种短时距估计进行了比较。结果显示:两组被试对三种时距的估计结果与实际均存在显著差异;在估计结果和相对误差率两方面上,学习障碍学生与普通学生均相似,且两组被试的组内差异也相似。此外,时距2000ms仍是学习障碍学生短时距估计的临界点。这表明,学习障碍学生虽具有视觉认知能力迟缓,但不影响其短时距的估计和临界点。

基于三阶累积量对角切片的信号特征检测

提出了一种基于三阶累积量对角切片的特征检测方法。该方法既不需待检信号做高斯和平稳的假设,也不需要有信号的先验知识。其原理是首先通过滤波器组将检测信号在频域上进行分离,选取输出能量较大的一组子频带信号近似给出信号的时频描述;然后在各个选中的子频带内分别计算三阶累积量的短时估计,从而抑制有色噪声,将信号的特征检测出来。仿真信号验证了该方法的有效性和适应性。

基于滤波器组和高阶累积量的信号特征检测

结合高阶累积具有对加性高斯和对称非高斯噪声不敏感的特性,提出了一种基于滤波器组和高阶累积量的特征检测方法。该方法既不需待检信号做高斯和平稳的假设,也不需要有信号的先验知识。其原理是首先通过滤波器组将检测信号在频域上进行分离,选取输出能量较大的一组子频带信号近似给出信号的时频描述;然后在各个选中的子频带内分别计算三阶累积量的短时估计,从而抑制有色噪声,将信号的特征检测出来。仿真信号和实验信号验证了该方法的有效性和适应性,即使信号特征完全淹没在噪声中,也能检测出来。

电台识别的云模型算法研究

时频域的电台识别较多利用频率稳定度作为特征,但在采集环境和设备噪声的限制下,频率估计精度难以提高,影响电台的识别率。本文在分析瞬时频率的概率分布函数的基础上,结合云模型分类器,提出了改进相位拟合的方法。首先将经过预处理的数据进行相位拟合,得到短时频率估计值,然后利用估计值建立正态云,最后转化为隶属度进行分类识别。这种方法淡化了非彼即此的硬判分类,弥补了分类过程中对特征的模糊性和随机性的忽视。仿真实验和实际电台实验验证了在算法运算代价基本相同的情况下,识别率有了较大的提高,最高的平均识别率达到了97%。

基于改进的线性调频Z变换的高精度地震波速干涉测量

地震波信号走时差的精确估计是了解地壳介质性质变化及其过程的关键,鉴于互相关的时延检测方法受相关窗口长度和信号信噪比影响较大,将改进的线性调频Z变换谱细化和相关峰精确插值引入到陆地大容量气枪主动源观测中的波速干涉测量中,介绍了一种能够获得高精度走时差的短时窗时延估计方法。模拟实验和实际数据分析表明:本文方法可以获得高精度的信号时延估计值,提高地震信号波速变化计算的精度。

改进的基于响度域的语音增强算法

针对短时谱幅度最小均方误差估计(MMSE-STSA)语音增强算法在非平稳噪声环境下噪声抑制能力较差的问题,提出一种改进的MMSE-STSA算法。该算法在响度域进行谱幅度估计,并采取基于概率的语音判决方法。实验结果表明,相比传统的MMSE-STSA算法,改进算法在非平稳噪声环境下能够获得更好的语音质量。

基于EEG信号的STPS睡眠状态在线辨识

睡眠状态辨识作为控制睡眠过程中提高睡眠质量的前提,是现代生物医学研究的一个重要内容.本文针对目前睡眠状态辨识方法存在辨识准确率低及处理速度慢等问题,提出基于EEG信号的STPS的睡眠状态在线辨识.以脑电波(EEG)的时-频分析作为睡眠状态特征量,并将其输入到径向基神经网络中进行模糊融合,辨识出不同睡眠状态.人体实验表明:该方法的辨识睡眠状态的准确率达到88.89%,为实现人体睡眠状态控制奠定了一定基础.

飞机舱音背景声下语音增强技术

有效提取飞机舱音背景声下的语音信息对飞行事故调查十分重要。提出一种适用于飞机座舱噪声环境下的语音增强方法。以卡方分布作为纯语音谱幅值的先验模型,采用最小均方误差短时谱估计法对带噪语音中的纯语音谱进行估计,误差估计方程中采用权值函数对估计值进行非线性加权。在仿真试验中利用语音质量的客观评价标准选取适合于舱音背景声下的纯语音谱估计参数,使增强语音中噪声抑制和语音失真之间达到平衡。最后将提出的语音增强方法与目前典型方法进行了对比实验,验证算法的有效性。

语音增强技术的对比研究

语音增强技术一直是语音信号处理中的重要课题之一,语音增强的目的是从有噪声的信号中尽可能完好地恢复原始声音。目前常用的增强算法很多,本文对传统的基于短时谱估计的增强算法和近年来发展起来的基于小波变换的增强算法进行仿真实验比较研究。

利用抗噪纹理特征的快速鸟鸣声识别

针对非平稳噪声下的鸟鸣声识别问题,提出一种利用抗噪纹理特征的快速鸟鸣声识别方法,该方法也解决了纹理特征提取过程中灰度共生矩阵(GLCM)占用空间大,以及计算量大、耗时的问题.该方法分三个步骤,首先,通过短时谱估计算法对鸟鸣声带噪功率谱进行音频增强;然后,采用和差统计法(SDH)对增强功率谱快速提取纹理特征;最后,由随机森林进行分类.在实验部分,设计了两组对比实验,结果表明,该方法有良好的识别性能、较少的时耗,且具有噪声鲁棒性.

基于纹理特征与随机森林的生态声音识别

针对真实环境中普遍存在的非平稳噪声,提出一种基于纹理特征与随机森林的生态声音识别方法。该方法首先使用一种基于噪声估计的音频增强算法,即短时谱估计对输入端声音信号进行前端处理,得到增强信号功率谱;然后根据得到的增强信号功率谱图的纹理信息,采用和差统计法对其进行纹理特征提取;最后,利用基于决策树的组合分类器,即随机森林进行识别和分类。设计了两组对比实验,结果表明该方法不仅有良好的识别性能,而且具有噪声鲁棒性。

帧间约束MMSE语音增强算法

本文主要讨论基于语音短时谱估计的语音增强算法。在语音短时谱幅度最小均方误差估计（ＭＭＳＥ）的基础上，本文提出了一种基于帧间频域分布约束的改进的语音短时谱幅度ＭＭＳＥ估计算法。该算法充分利用了语音分析帧之间存在的相关性，并以频域分布约束的形式结合到估计式中，考虑到在ＭＭＳＥ估计式中需要利用语音频谱的分布，本文采取了两种解决办法：利用高斯分布模型进行近似；利用语音材料进行统计得到近似的分布模型。新算法在我们开发的一个语音增强系统中进行了实验，并与其它的算法进行了对比。结果表明该算法可以更有效地去除噪声而不对语音本身造成明显的损伤。

Parameters estimate of recurrent quantum stochastic filter for time variant frequency periodic signals

Designing optimal time and spatial difference step size is the key technology for quantum-random filtering(QSF)to realize time-varying frequency periodic signal filtering.In this paper,it was proposed to use the short-time Fourier transform(STFT)to dynamically estimate the signal to noise ratio(SNR)and relative frequency of the input time-varying frequency periodic signal.Then the model of time and space difference step size and signal to noise ratio(SNR)and relative frequency of quantum random filter is established by least square method.Finally,the parameters of the quantum filter can be determined step by step by analyzing the characteristics of the actual signal.The simulation results of single-frequency signal and frequency time-varying signal show that the proposed method can quickly and accurately design the optimal filter parameters based on the characteristics of the input signal,and achieve significant filtering effects.