基于色噪声背景下线性滤波器组检测性能的研究

随着5G新空口信号处理技术的广泛应用,为了提高大规模组网中基站(天线)滤波器检测系统的检测性能,本文提出了一种基于色噪声背景下对信号进行检测判决的线性滤波器组(LFB)检测系统,即在传统匹配滤波器检测系统中加入白化滤波器级联组构成线性滤波器组检测系统,首先对二元确知信号检测判决系统中相干相移键控系统(CPSK),相干频移键控系统(CFSK),和相干启闭键控系统(COOK)的检测性能进行分析。其次,在此基础上推广到对多元(M元信号检测)确知信号检测性能进行分析。最后,经过仿真,根据最大输出信噪比准则,采用白化滤波器组将色噪声滤除有色部分后通过检测判决系统,获取在色噪声背景下最佳的线性滤波器组(Linear Filter Bank,LFB)(相关接收机)的检测性能。

一种基于代价参考粒子滤波器组的非线性调频信号估计方法

为提高背景噪声统计特性未知情况下非线性调频信号瞬时频率的估计精度和速度,本文提出一种具有完全并行结构的代价参考粒子滤波算法:代价参考粒子滤波器组.该方法包括以下几个步骤:首先,将非线性调频信号近似为分段线性调频信号,建立状态空间模型;随后,基于状态空间模型和先验信息将状态空间划分为若干较小的子空间;在不同的状态子空间内分别执行代价参考粒子滤波算法;最后,比较各个代价参考粒子滤波算法的累积代价,将累积代价最小的代价参考粒子滤波算法的估计结果作为最终的瞬时频率估计结果.仿真结果表明,与同类的代价参考粒子滤波算法、前后先代价参考粒子滤波算法相比,本文提出的方法估计精度更高,运行时间更短.该方法可用于雷达目标检测与跟踪等领域.

使用全局自注意Teager能量倒谱系数检测重放欺骗语音

提出了一种基于能量的前端特征提取方法,旨在应对自动说话人验证系统中面临的重放攻击威胁。该方法实现了全频段上的可变分辨率,以充分利用重放语音与真实语音在子带能量上的高鉴别非线性信息。首先,通过采用F-ratio方法统计分析了多种录音和播放设备。接着,根据统计结果在全频段上设计了一组滤波器,旨在捕获高鉴别能量信息。最后,利用Teager能量算子计算子带滤波信号的能量,提出了全局自注意Teager能量倒谱系数(GSTECC)。为了验证所提方法的有效性,采用高斯混合模型作为分类器,在ASVspoof 2017 V2和ASVspoof 2021 PA数据库上进行了一系列测试实验。实验结果表明,相对于其他先进特征提取方法,所提GSTECC特征在检测重放攻击方面表现出更优异的性能。

基于LFBank与FBank混合特征的声纹识别研究

语音特征提取是声纹识别过程中的重要步骤,对于声音频率的分布男性与女性差距较大,但现有的特征提取算法并没有针对不同性别声音频率特性做出相应改进。针对上述问题,提出了为女性声纹识别所设计的语音特征提取算法LFBank,将线性滤波器组用于特征提取过程,利用其线性分布的特点弥补传统梅尔滤波器组提取高频区域信息时的不足。另一方面,为了突破单一性别局限,拓宽应用场景,综合线性滤波器组与梅尔滤波器组的优势,将LFBank与FBank特征结合得到混合特征向量进行声纹识别。将LFBank和常用特征FBank与MFCC进行实验对比,实验结果表明,基于线性滤波器组的特征向量在识别女性声音时更有优势。对于混合特征而言,在与单一特征的对比实验中,混合特征能够达到比单一特征更好的识别效果,具有更广泛的应用场景。