基于混合HMM_SOFMNN的语音识别技术研究

提出了一种混合隐马尔可夫模型(HMM)与自组织特征映射神经网络(SOFMNN)的方法应用于语音识别,训练出抗噪声的混合模型。实验证明,该模型适合于对噪声背景下的语音进行识别。同传统的用纯净语音训练出来的HMM模型以及直接在语音中加入加性噪声训练出的HMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(2～12dB),识别率比传统HMM模型有明显提高。     

基于隐马尔可夫模型的舰船水下噪声评估方法

为通过舰船水下噪声评估及时发现舰船存在的异常,采用基于隐马尔可夫模型的评估方法。分别选取舰船正常状态下和异常状态下的水下噪声数据作为两类训练样本,送进隐马尔可夫模型进行训练,得到对应的模型参数;把待评估样本送进经过训练的两类隐马尔可夫模型进行概率估计,概率明显大的模型对应的状态,即为评估判断结果。选取202个数据样本进行试验,测试结果正确率超过95%,表明隐马尔可夫模型有较好的分类判断能力,可用于舰船水下噪声评估。     

基于高斯粒子滤波的语音增强方法

在分析语音信号的时变自回归模型的基础上，采用了一种新的滤波器即高斯粒子滤波器，该滤波器是基于粒子滤波方法得到一高斯分布来近似估计未知状态变量的后验分布，在符合高斯假设和一定粒子数的情况下，可以获得近似最优解，并用它来解决TVAR模型的语音信号增强问题．仿真结果表明，高斯粒子滤波器具有较强的估计TVAR模型参数的能力，降低了算法的计算量．采用高斯粒子滤波增强方法处理过的语音，信噪比明显提高，改善了语音增强系统的性能．     

主动轮廓模型在运动舰船目标跟踪中的应用

应用数字图像处理技术对视频监控系统中的舰船目标进行运动检测与跟踪。针对水面环境存在的复杂变化,选用混合高斯背景模型的方法构建实时背景模型,应用背景差分法检测出监控画面中的运动舰船区域,并得到舰船目标的初始轮廓,再利用主动轮廓模型方法,提取运动舰船目标轮廓,并利用舰船轮廓实现目标跟踪。实验表明,算法可对目标轮廓进行较好地跟踪,并且复杂度较低。     

基于隐马尔可夫模型的线谱跟踪技术

线谱检测和跟踪是被动声呐信号处理中的重要内容,本文给出一种基于隐马尔可夫模型的线谱跟踪方法。它采用前向后向算法对LOFAR谱图上线谱进行状态估计,然后根据连续检验对每根线谱的起始和终止时间进行检测,实现对单根线谱和多根线谱的检测与跟踪。通过计算机仿真和海试数据处理,验证了基于隐马尔可夫模型的线谱跟踪技术的有效性和稳定性。     

基于二维高斯样条函数的水下地磁被动定位

目前利用水下地磁信息对惯导误差进行校正多以各类匹配算法为核心,对此论文提出一种基于二维高斯样条函数的水下地磁被动定位新模式。文章首先介绍了一种利用二维高斯样条函数逼近的连续局部地磁场模型,随后在该模型的基础上将实测地磁表示为连续的解析形式,最后以实测地磁作为包含目标位置信息的量测值,并结合扩展卡尔曼滤波算法对目标位置进行最优估计。这种方法无需使用常用的匹配算法,因而也就摆脱了匹配算法的诸多限制。以分辨率为2′×2′的某区域地磁异常数据为背景场进行仿真,最终的仿真结果表明：经高斯样条函数逼近的局部地磁场模型平均误差小于0．26nT ,水下平均经、纬定位误差分别小于0．96和0．33海里。     

基于马尔可夫模型的容错系统可靠性分析

容错系统的可靠性分析是容错系统设计过程中最重要的步骤之一。在容错控制系统的可靠性分析中，利用马尔可夫过程和半马尔可夫过程理论对容错系统进行可靠性建模能够较为真实地描述系统的实际工作情况。但是，由于容错系统为了达到高可靠性而采用了大量的冗余配置及重构技术，使得该可靠性模型往往变得相当复杂。因此，对系统可靠性模型进行必要的化筒，可以减少许多计算量并使该模型更回答符合实际使用要求。     

一种相干复合高斯海杂波仿真方法

具有拖尾的复合高斯模型非常适于描述高分辨率海杂波,对雷达最优检测算法设计和雷达性能评估具有十分重要的意义。该文讨论了复合高斯模型海杂波的建模与仿真,并详述了产生Gamma随机过程的MNLT方法。产生了复合高斯模型的高海况条件下的海杂波,并与实测数据对比,表明了该方法的有效性和可行性。     

基于粒子群算法的高斯过程建模对双脊喇叭天线优化设计

目前喇叭天线的优化设计主要采用优化算法与电磁仿真软件HFSS相结合的方案,但使用HFSS进行大量的精确电磁仿真花费时间较长且对硬件要求较高.为了解决这个问题,提出一种在优化过程中利用高斯过程模型替代全波电磁仿真软件的方法,并应用粒子群算法进行了优化设计,这种方案可以有效减少优化设计所需的时间.利用该方法对双脊喇叭天线进行了优化设计,在大幅减少优化时间同时能够满足设计指标,证明该方法的有效性.目前国内尚没有使用高斯过程模型代替HFSS仿真作为粒子群算法适应度函数进行天线优化设计的研究,这表明了该方法的创新性.     

基于GMM和枪声的军事环境判别

枪声在军事环境下是一个令人高度重视的声音信号。针对其所含信息量的重要性，提出了一种基于枪声检测的军事环境判断方法。首先利用基于中值滤波的算法检测出枪声的起止点；采取反应人耳听觉机理的声音信号动态特征-Mel倒谱系数描述声音信号；然后利用基于高斯混合模型的枪声检测及识别系统完成对枪声的分析从而实现对当前军事环境的判断。实验结果证明了该方法的准确性和有效性。