(3+1)维Mel’nikov方程的Lump解研究

本文运用Hirota双线性方法和符号计算研究了(3+1)维Mel’nikov方程的Lump解。我们给出了一阶Lump解的表达式,并讨论了相应的解析性和局部性条件。最后,我们作出了解的图像并分析了解的动态性质。

Mel频率倒谱系数平滑的耳机均衡

适当均衡耳机到鼓膜的传递函数可有效提高耳机声重放效果。耳廓与耳道滤波效应引起的幅度峰谷有助于人耳听觉感知,以平直幅频响应为目标的幅度均衡无法保持适当的峰谷。该文提出了基于roex滤波器与Mel频率倒谱系数的耳机到鼓膜的传递函数平滑方法,用于模拟人耳听觉感知特性和平滑耳机到鼓膜的传递函数,使均衡后的幅频响应保持相应的峰谷,避免了幅度峰谷过渡均衡。实验结果表明,进行耳机到鼓膜的传递函数平滑的幅度均衡对提高耳机的音色有显著作用,基于Mel频率倒谱系数平滑的幅度均衡对提高耳机的音色最为显著。

结合EMD和加权Mel倒谱的语音共振峰提取算法

提出了一种利用经验模态分解(Empirical Mode Decomposition,EMD)和加权Mel倒谱(Weighted Mel-Cepstrum coefficients,WMCEP)提取语音信号共振峰的算法。对语音信号进行EMD分解,找出含有共振峰的固有模态函数(Intrinsic Mode Function,IMF),并将其重构得到一个新的重构语音信号。对重构语音信号进行加权Mel倒谱分析,获得包含频谱主要成分的加权Mel倒谱系数;利用离散余弦平滑算法,从加权Mel倒谱系数获得谱包络,并从谱包络的峰值位置获得候选共振峰;根据共振峰的连续性约束条件和频率范围,从候选共振峰筛选得到共振峰的估计值。实验结果表明,该算法比单独使用WMCEP提取的共振峰误差更小,而且在信噪比小于20 d B时仍然能够准确提取出共振峰。

基于经验模态分解和Mel倒谱系数的语音端点检测

提出了一种基于经验模态分解和Mel倒谱系数的语音端点检测方法。对语音信号进行分解得到一组IMF分量,将集中在低层IMF分量中的噪声信号滤除,重构剩余的IMF分量成语音信号,提取重构信号的Mel频率倒谱系数来检测语音信号的端点。实验结果表明,提出的方法可以较好地消除噪声对语音信号端点检测带来的影响,能在不同信噪比的环境下正确地对语音信号进行端点检测,具有一定的鲁棒性。

基于频谱增强和卷积宽度学习的音乐流派分类

针对频谱图对于音乐特征挖掘较弱、深度学习分类模型复杂且训练时间长的问题,设计了一种基于频谱增强和卷积宽度学习(CNNBLS)的音乐流派分类模型.该模型首先通过SpecAugment中随机屏蔽部分频率信道的方法增强梅尔频谱图,再将切割后的梅尔频谱图作为CNNBLS的输入,同时将指数线性单元函数(ELU)融合进CNNBLS的卷积层,以增强其分类精度.相较于其他机器学习网络框架,CNNBLS能用少量的训练时间获得较高的分类精度.此外,CNNBLS可以对增量数据进行快速学习.实验结果表明:无增量模型CNNBLS在训练400首音乐数据可获得90.06%的分类准确率,增量模型Incremental-CNNBLS在增加400首训练数据后可达91.53%的分类准确率.

基于改进MFCC与IMFCC的心音分类研究

心音信号的研究有助于先天性心脏病的早期辅助诊断。提出一种对先天性心脏病心音分类的新方法:对每例心音截取2秒作为样本;用经验模态分解、多正弦窗、幂函数压缩法对MFCC与IMFCC进行改进,并用改进后的MFCC与IMFCC分别提取心音样本相应频率系数,并计算各自的一阶差分作为融合特征。分类模型选用两层CNN网络。对5000例样本训练测试的二分类准确率为0.921,灵敏度和特异度分别为0.898、0.944;F1和AUC分别达到了0.919与0.958。上述法有望用于先心病机器辅助诊断。

基于神经网络的语音信号识别与分类

针对基于深度神经网络的端对端的语音识别技术展开研究,通过深度全序列卷积神经网络(DFCNN)声学模型和Transformer语言模型搭建一种端对端的语音识别系统。该系统完成对模型及数据的训练,实现对多字符中文语音的识别,并对隐马尔可夫语音识别方法和深度神经网络下的语音识别方法的系统搭建难度、原理差异和识别精确度进行对比研究。仿真结果表明,所提方法能够实现对连续多字符中文语音的有效识别,识别正确率在90%以上。

Bogdanov-Takens系统的一类三次扰动(Ⅰ)

通过计算高阶Mel'nikov函数,并引入新的Riccati方程,对Bogdanov-Takens系统的一类三次扰动进行了研究,得到了小扰动条件下环性阶数的估计,同时也给出了原点为中心的条件.

一类微分系统在三次多项式扰动下的极限环估计

计算了一类二次Hamilton微分系统的一阶Mel’nikov函数,通过此方法对该系统在三次多项式扰动下分岔的极限环个数进行了估计,得到其Poincare分岔最多可产生3个极限环.

三角形鉴相特性锁相鉴频器中混沌现象的研究

研究了具有三角形鉴相特性的锁相鉴频器中的混沌现象。利用Mel'nikov方法,从理论上证明了当系统参数满足一定条件时,Melnikov积分M(to)有简单零点,这时系统有homoclinic混沌解,也即锁相鉴频系统有混沌输出,同时给出了混沌产生的区域。

妊娠糖尿病患者血清FGF21与胰岛素抵抗及胰岛细胞功能的相关性研究

目的探讨妊娠糖尿病（GDM）患者胰岛素抵抗（IR）、胰岛细胞功能与空腹血清成纤维细胞生成因子（FGF21）之间的关系。方法选取妊娠24～28周孕妇90例，根据口服葡萄糖耐量试验（OGTT）结果均分为GDM组和正常对照（NGT）组，并根据空腹血糖（FPG）是否大于7．0mmol／L，将GDM组分为GDMl组（5．1mmol／L≤FPG〈7．0mmol／L，n=27）和GDM2组（FBG≥7．0mmol／L，n=18）两亚组。采用酶联免疫吸附（ELISA）法检测各组空腹血清FGF21水平，同时测定各受试者的体格指标及OGTT各点血糖、胰岛素和c肽等，并计算稳态模型胰岛素抵抗指数（HOMA—IR）、胰岛β细胞功能指数（HOMA—β）、胰岛素曲线下面积（AUCINS）／血糖曲线下面积（AUCGLU）和早期胰岛素分泌功能指数（△I30／△G30），分析FGF21与这些指标之间的关系。结果GDM1组和GDM2组的FGF21水平均显著高于正常对照组，差异均有统计学意义（P〈0．01）；GDM2组的FGF21水平高于GDM1组，差异有统计学意义（P〈0．01）。Pearson相关分析显示，FGF21与孕前体重指数（BMI）、FPG、30minPG、1hPG、2hPG、HOMA—IR、AUCGLU呈正相关，与HOMA—β呈负相关。多元逐步线性回归分析显示，FPG是影响FGF21水平的独立影响因素。结论FGF21与IR呈正相关，与胰岛细胞功能负相关，其可能在GDM的发病机制中发挥一定作用。

一类单中心Hamilton系统在三次扰动下的Poincare分岔

使用一阶Mel'nikov函数讨论了一类具有以抛物线与直线为边界的周期环域的单中心二次Hamilton系统的三次扰动下的Poincare分岔,得到其Poincare分岔最多可以产生两个极限环。

官能团化聚丙烯改性Mg(OH)_2/PP的流动性

制备了官能团化聚丙烯(FPP)和丙烯酸(AA)改性Mg(OH)2/PP材料,用熔融指数仪研究了改性Mg(OH)2/PP流动性的影响。结果表明随Mg(OH)2加入及其含量增加,PP的熔体流动指数(MFI)明显降低。外加FPP可提高Mg(OH)2/PP的MFI值,而且在高Mg(OH)2含量时尤其明显。在Mg(OH)2/PP材料中加入AA更能提高材料的MI值,其作用比外加FPP的更大,归结于PP和AA存在增塑与润滑作用。而同时加入AA和DCP,由于DCP对PP的降解作用,使原位形成FPP改性材料的MFI值提高更加明显。

一类Liénard方程Poincaré分岔极限环的不存在性

利用一阶Mel′nikov函数,讨论了广义Liénard方程+εf(x,x.)x.+g(x)=0的Poincaré分岔极限环的不存在性,得出了两个主要充分条件和若干判别准则。

EMD在说话人辨认中的应用

提出一种基于经验模式分解的说话人辨认方法.通过对语音信号进行经验模式分解得到一系列内在模式函数,提取每一级模式函数的Mel频率倒谱系数和相邻两级模式函数差的Mel频率倒谱系数作为表征说话人的特征参数,对得到的特征参数用矢量量化进行识别.实验结果表明,方法是有效的.

基于MFCC,MODGDF和支持向量机的环境音识别研究

环境音识别是机器学习领域中的一个研究重点和难点,它可以帮助智能系统识别音频数据中的环境音。本文提出一种新的环境音识别方法,它是将梅尔频率倒谱系数(mel frequency cepstral coefficents,MFCC)和修正群延迟函数(modified group delay function,MODGDF)联合作为特征参数,然后利用多分类支持向量机(support vector machine,SVM)进行参数分类,达到识别音频数据中环境音的目的。结果表明,在DCASE 2018数据集上,该方法的实验效果优于DCASE 2018数据集基线系统识别效果,整体识别准确率提高了25.8%。

基于MFCC样本熵和灰狼算法优化支持向量机的天然地震与人工爆破自动识别

针对天然地震与人工爆破波形特征相似、难以区分的情况,结合灰狼优化算法和支持向量机,提出一种地震事件性质辨识新方法。通过梅尔频率倒谱系数法对2013年四川芦山地震地震事件信号和人工爆破信号进行分析,进过预加重、FFT、梅尔滤波及离散余弦变换等步骤,提取静态系数样本熵、一阶差分系数样本熵和二阶差分系数样本熵等作为样本特征集。使用灰狼算法优化支持向量机径向基核函数RBF中的惩罚系数和核函数半径形成新的GWO-SVM分类器,然后对事件进行辨识。结果表明:GWO-SVM分类器辨识效果明显优于SVM、RobustBoost集成学习、LDA、PLDA等分类器,其在1000次循环识别实验下的准确率均值相对SVM提高了9.2个百分点,标准差降低了3.2以上;t检验证明MFCC样本熵各特征具有可靠的地震事件分类效果;GWO-SVM与MFCC样本熵可作为天然地震事件与人工爆破事件的辨识方法与分类判据。

Liénard方程Poincaré分岔极限环的不存在性

利用一阶Mel′nikov函数讨论Liéｎａｒｄ方程Ｐｏｉｎｃａｒé分岔极限环的不存在性 ,得出了若干判别准则。

一类可积非哈密顿系统的极限环数目的上界

研究了一类可积非哈密顿系统的极限环的上界,利用Abel积分证明其在一类2n+1次多项式扰动下至多可以产生n+1个极限环,并且是可以实现的.

基于最小边际损失的人脸识别方法的研究

得益于近几年深度神经网络的快速发展,人脸识别技术取得了巨大的成功。在深度神经网络中使用不同的损失函数会产生不同的效果。现有的一些损失函数已经拥有了很好的性能,然而它们无法解决类别不平衡数据集中存在的边际偏差问题,即长尾分布问题。提出了一种新的损失函数,最小边际损失,旨在扩大那些过度封闭的类中心对的边界,以增强深度特征的判别能力。在Inception-ResNet-v1中加入了最小边际损失函数,并在多个人脸识别基准数据集上进行了大量实验。实验结果表明,最小边际损失函数提升了人脸识别的能力,减少了边际偏差的负面影响。