香农曲线在语音信号信源信道联合编码器中的应用

近年来随着通信领域的飞速发展,香农理论在编码器的设计中越来越重要,本文基于香农映射理论的思想,利用香农映射曲线,设计了一种用于语音信号的信源信道联合编码器.该编码器结构简单,易于实现,并且能够有效地利用带宽.

基于联合多重重建自编码器的桁架损伤识别

针对桁架杆单元存在不同损伤类型时损伤特征信息难以捕捉且识别结果不准确的问题,提出了利用联合多重重建自编码器(JMRAE)进行损伤识别的方法。首先,运用JMRAE按照不同尺度数分段截取信号,将Sigmoid函数和ReLU函数进行组合以提取特征量,引入零相位成分分析(ZCA)降低特征量维度,以保留重要信息并减少数据冗余。然后,运用SoftMax分类器求解隐含层中不同片段的局部特征量,并进行特征量融合以判断结构状态。最后,运用三维桁架结构数值模型和实验室搭建桁架进行验证,并与精细复合多尺度散布熵(RCMDE)、峰度和反向传播(BP)神经网络方法进行对比研究,结果表明所提方法具有更高的损伤识别准确性。

结合有监督联合一致性自编码器的跨音视频说话人标注

跨模态说话人标注旨在利用说话人的不同生物特征进行相互匹配和互标注,可广泛应用于各种人机交互场合。针对人脸和语音两种不同模态生物特征之间存在明显的"语义鸿沟"问题,该文提出一种结合有监督联合一致性自编码器的跨音视频说话人标注方法。首先分别利用卷积神经网络和深度信念网络分别对人脸图像和语音数据进行判别性特征提取,接着在联合自编码器模型的基础上,提出一种新的有监督跨模态神经网络模型,同时嵌入softmax回归模型以保证模态间和模态内样本的相似性,进而扩展为3种有监督一致性自编码器神经网络模型来挖掘音视频异构特征之间的潜在关系,从而有效实现人脸和语音的跨模态相互标注。实验结果表明,该文提出的网络模型能够有效的对说话人进行跨模态标注,效果显著,取得了对姿态变化和样本多样性的鲁棒性。

网格编码CPM系统中基于联合网格的多调制指数样式设计研究

当前网格编码多调制指数连续相位调制方案呈现出较好的功率和带宽性能,其代价是接收机复杂度较高。在该方案中,如果将多个调制指数设计成特定的样式进行循环,而不是普通的周期使用,如此导致编码的有效长度增加从而能够得到更好的性能。本文在网格码与连续相位编码构建联合网格状态的基础上,对连续相位调制的多个调制指数样式进行了设计。通过进一步分析可以发现:联合编码器的有效长度和最小错误事件的欧氏距离得到大幅度提高。仿真结果表明:码率为1/2和2/3的四进制与八进制两指数CPM方案,要比单指数CPM方案分别能够获得1.4dB和1.7dB的性能增益。

联合双编码器增强的生成对抗壁画多尺度重建

针对现有深度学习算法在修复破损壁画图像过程中,存在特征感知能力较弱和重建细节丢失等问题,提出了一种联合双编码器增强的生成对抗壁画多尺度重建深度学习模型.首先,设计由双分支联合编码器和多尺度解码器构成的生成网络,其中双分支联合编码器分为门控编码器分支和标准编码器分支:门控编码器分支利用门控卷积的动态特征选择机制并结合空洞卷积扩大感受野,提高壁画的语义特征感知能力;而标准编码器分支则利用标准卷积并结合密集连接加强特征传递,以获得更丰富的壁画细节信息.然后,采用多尺度解码器进行重构恢复,增强破损壁画纹理细节的重构能力.最后,通过谱归一化马尔科夫判别网络改善壁画修复结果的语义一致性和结构连续性.通过对真实敦煌壁画进行数字化修复的实验结果表明:所提出的算法能够有效完成破损壁画的修复,重构取得了更好地视觉感和协调性,在主客观评价方面均优于比较算法.

基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。

基于IP网络的实时流媒体通信系统的研究和实现

本论文从联合设计编码器和传输协议的角度(JSCC)出发,研究解决这些技术瓶颈的方案,提出由自适应编解码器、传输协议和网络/编码器接口构建实时流媒体系统的方案。