无线传感器网络中基于空间相关性的移动代理路由算法

资源受限的传感器节点密集分布在无线传感器网络监控区域,sink节点通过收集节点间观测信息对监控区域内发生的事件进行感知.本文提出SCMAR(Spatial Correlation-based Mobile Agent Routing)路由算法,在移动代理架构内,利用节点观测数据的空间相关性以能量有效的方式对感知事件进行估计.仿真结果表明SCMAR在各种应用环境下能量有效性均优于MARDF(Mobile Agent Routes for Data Fusion)路由算法.

基于过完备线性预测字典的压缩感知语音重构

基于语音信号帧内样值间的相关性和冗余域的稀疏性,针对采用离散余弦转换矩阵及基追踪方法对压缩感知采样语音进行重构时,语音稀疏性不够好导致大压缩比采样后重构效果差的缺点,提出采用过完备线性预测字典做转换矩阵,用基追踪重构算法对压缩感知采样语音进行高质量重构。该方法预先由训练语音的预测系数聚类构造过完备字典,不需要测试语音的预测系数;基于过完备线性预测字典重构信号性能良好。对利用基追踪重构的语音进行了主客观评价,得出结论:同样的观测数目下,基于过完备线性预测字典比基于离散余弦变换矩阵压缩感知采样语音重构信噪比高出3～8 dB。

基于参数寻优决策树SVM的语音情感识别

在多种情感的语音情感识别中,由于部分情感状态容易混淆,导致语音情感识别的总体识别率降低;同时,对于不同的训练集,SVM参数惩罚因子和核函数参数对识别结果也存在一定影响。为了有效提高语音情感识别系统的识别率,在传统支持向量机(SVM)的基础上,提出了一种基于参数寻优决策树SVM的语音情感识别方法。该方法首先通过计算情感混淆度构建决策树SVM框架,然后采用遗传算法对决策树SVM中每个SVM的惩罚因子和核函数参数进行寻优,最后将参数优化后的决策树SVM模型应用于语音情感识别。在中文情感语音库的实验结果表明,与传统基于SVM分类方法的语音情感识别进行对比,该方法可将六种情感的平均识别率提高6.5%。

基于数据驱动字典和稀疏表示的语音增强

本文提出了一种基于数据驱动字典和过完备稀疏表示的自适应语音增强方法。首先在训练阶段采用干净语音基于K奇异值分解(K—singular value decomposition,K-SVD)算法训练过完备字典,然后在测试阶段根据含噪语音的噪声方差自适应选择最优的阈值,采用正交匹配追踪算法对含噪语音信号在过完备字典上进行稀疏分解,最后利用系数稀疏表示重构语音信号,从而达到语音增强的目。该方法不像传统语音增强方法那样减少或消去噪声,而是从字典中选取适当的原子表示纯净信号,从而把纯净信号从含噪信号中分离出来。对白噪声和有色噪声环境下重构语音进行了主客观评价。仿真结果显示:该方法能有效去除加性噪声,并且改善了语音质量。

一种基于特征间隙的检测簇数的谱聚类算法

数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Clustering Number based on Eigengap,SC-ICNE)。通过构建规范的拉普拉斯矩阵,顺序求解其特征值和相应特征向量,并得到矩阵相邻特征值的间隙,通过判断特征间隙的位置来确定簇数k。最后,通过对前k个特征向量的k-means算法实现数据集的聚类。文中通过仿真分析了高斯相似度函数对SC-ICNE聚类性能的影响,在非凸球形数据集和UCI数据集上进行了性能仿真,并和k-means聚类算法进行了对比,在检测簇数和聚类准确性方面,验证了SC-ICNE算法的有效性。

基于小波变换的语音压缩感知处理

文章首先简单介绍了压缩感知(CS)理论框架,然后根据语音信号小波变换系数的特点,提出了改进的压缩感知算法,对高频系数进行压缩处理,低频系数不变。采用基追踪算法重构出高频系数,再利用小波反变换得到原始语音信号。实验结果表明,在相同的测量点数下,本文的算法比原有CS算法在重构语音的信噪比和MOS分上都有较大的提升。