基于LDA和小波分解的肺音特征提取方法

针对用小波分解提取肺音特征后特征向量维数较高的问题,提出了一种结合线性判别分析和小波分解的肺音特征提取方法。在该方法中,首先对肺音信号进行小波分解,然后将小波分解得到的小波系数转化成小波能量特征向量,接着使用线性判别分析法对该特征向量进行降维处理,得到新的低维特征向量,最后用SVM对低维特征进行识别。在实验中,选取了三种肺音信号:正常肺音、爆裂音、哮鸣音,用所提出的方法将8维的小波能量特征降为2维特征,在2维特征上进行了分类识别,并和降维之前的结果进行了比较,实验结果表明利用线性判别分析对小波能量特征降维后极大地提高了识别精度。同时,和其他几种典型的肺音特征提取方法进行了比较,实验结果表明结合线性判别分析与小波分解的特征提取方法得到了更高的识别精度。

多尺度小波分解下的自适应语音消噪算法研究

将小波变换的理论引入到自适应语音消噪系统中,分析了多尺度小波分解下的LMS自适应消噪算法(MSWD-LMS)的原理,该算法将输入向量分解到多尺度空间,减小了自适应滤波器输入向量自相关矩阵的谱动态范围;将变步长LMS算法与多尺度小波变换的思想结合,提出了一种新的小波自适应语音消噪算法(MSWD-VSS-LMS),新算法既减少了输入向量自相关矩阵条件数,又克服了固定步长LMS算法在收敛速度与收敛精度方面与步长因子μ的矛盾,获得了更好的语音信号处理的收敛速度和稳定性。仿真结果表明新算法取得了较好的效果。

基于集合经验模态分解的组合风速预测方法

风速具有很强的波动性、随机性和间歇性,大规模的风电并网时给电网的安全性和稳定性带来严峻的挑战。精确的风速预测可以有效地提升电网运行的安全性。为此,基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和GM(2,1)模型,提出一种对风速变化趋势进行预测的组合风速预测模型,并利用小波分解与神经网络方法对模型进行了深度改进,从而得到一种具有良好预测精度的组合预测方法。实际算例结果表明,与简单的GM(2,1)预测方法以及集合经验模态分解和神经网络的组合预测方法相比,该方法显著降低了平均绝对误差与平均绝对百分误差,具有理想的预测结果,具有广阔的实际应用前景。