噪音环境下语音识别理解系统的研究

根据人对语言的认知过程提出了含噪语音识别理解的模型，语音识别采用两级模块扩展联想记忆神经网络，第一级扩展联想网络将待识别语音类分组，第二级分支扩展联想网络实现各自组内的区分，两级模块扩展联想网络的学习速度比传统ＢＰ网络快９倍，它对噪音语音信号具有很高的自适应性、鲁棒性、容错性和联想记忆能力。语音理解提取语音识别的候选词，采用统计推理和句法规则相结合的多层分析查错的结构，由统计推断库预测下一词，句法     

面向铁路客运站场景的语音降噪模型研究

为进一步提升铁路客运站嘈杂环境下的语音识别效果，文章提出一种基于Conformer的语音降噪模型ConformerGAN。其训练流程类似生成对抗网络，生成器采用Conformer进行语音特征提取，对特征建模；鉴别器使用代理评估函数对语音感知进行质量评价。为增强模型的泛化能力并提高模型对未知噪声的降噪能力，在噪声的叠加上采用随机截取片段融入的方式，并构建铁路客运站场景噪声数据集。与语音降噪相关模型效果对比的结果表明，ConformerGAN模型可将客观语音质量评估（PESQ,Perceptual Evaluation of Speech Quality）分数提高0.19，有效提高铁路客运站嘈杂环境下的语音识别准确率，改善铁路旅客语音交互体验。     

基于快速趋近律的永磁同步电机驱动系统改进无模型滑模控制

针对永磁同步电机驱动控制系统应用传统无模型滑模方法时性能指标达不到预期的问题,提出了一种基于快速趋近律的改进无模型滑模控制方法。首先,根据永磁同步电机参数摄动时的数学模型,建立速度外环的超局部模型;其次,设计一种基于改进快速趋近律的速度外环新型无模型滑模控制器,同时为了提高电机转速的控制精度,采用扩展滑模观测器实时观测超局部模型中的未知部分;最后,通过与PI控制、传统无模型滑模算法进行仿真和试验对比,验证所提算法能降低对电机模型的依赖,提高了永磁同步电机的暂稳态控制性能,保证系统的抗扰能力和强鲁棒性。     

非线性系统开闭环PD型迭代学习控制及其在机器人中的应用

针对一类非线性时变系统的迭代学习控制问题提出了一种开闭环PD型迭代学习控制律，这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用，即在开环迭代学习控制的基础上引入一反馈环形成反馈－前馈迭代学习控制律，提高系统的跟踪性能，文中给出了使此迭代学习算法收敛的充分条件和必要条件，最后，本文结果在机器人系统中的仿真应用表明了本文方法的可行性和有效性。     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息；其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合；最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。     

基于算法优化的中国高速动车组车外噪声源识别研究

为提高我国高速动车组车外噪声源识别分辨率,获得更准确的噪声源分布特征,对传统的噪声源识别波束形成算法进行多普勒效应消除算法和基于快速傅里叶变换的非负最小二乘迭代反卷积算法(FFTNNLS)的优化,并基于优化后的算法测试我国某新型动车组以不同速度通过桥梁线路区段时的车外噪声源分布。结果表明:算法优化后动车组车外噪声源识别分辨率大幅提高;动车组高速运行时,声能量主要集中于受电弓、转向架和头车排障器等区域;动车组运行速度由200km·h-1提高至350km·h-1,车辆下部区域声功率占比由91.3%降至78.9%,车体区域由6.5%升至11.5%,受电弓区域由2.2%升至9.6%。算法优化后得到的动车组车外噪声源的定位更加准确、频谱特征更加明显。     

汽车车牌的自动检测与识别

车牌识别系统是智能交通系统的重要组成部分.研究进行车牌识别的各项关键技术,提出基于数学形态学与多特征组合分析相结合的快速汽车车牌定位方法.在分析近年来一些典型的车牌识别算法的基础上,给出改进算法的BP神经网络.实验表明,该算法可以有效提高识别速度和准确率.     

FFT在机车故障检测记录系统中的应用

针对当前机车故障诊断记录系统故障诊断能力提高和通用性扩展的需要,结合FFT算法特点,采用TMS320VC33实现快速傅立叶变换,使系统具备了频谱分析的能力,可以应用到谐波分析和振动分析等相关领域。     

基于深度学习的铁路限界快速检测算法

列车行驶环境快速、可靠、精准感知是列车安全、高效运行的前提和关键支撑技术。列车若无法提前感知非法侵入铁路限界范围内的异物,并在短时间内有效制动,将会导致严重的安全事故。为解决列车运行环境内影响运行安全的异物侵限问题,基于深度学习算法,提出一种铁路轨道限界快速检测算法。该方法首先采用预设行锚框的方式对图像进行划分,将传统分割算法的逐像素预测,转变为对每个行锚框进行逐网格预测,以达到显著降低算法计算量,并提高检测速度的目的。同时,通过快速识别图像中属于轨道部分的像素,结合轨道线的连续特征进行追踪,达到铁路轨道坐标的智能快速识别。最后根据标准轨距下限界的定义,对识别出的轨道线坐标和侵限区域进行扩充,以确定铁路异物入侵限界的范围。通过在真实轨道数据集上的对比实验,验证所提算法能以172FPS的速度快速检测铁路限界,且轨道线和限界区域的识别精度分别达到98.96%和98.12%,F1值分别达到99.68%和98.95%,限界区域检测的平均交并比MIoU达到96.88%,各类指标均取得当前最好的准确率和性能,满足高速列车对环境感知精度和速度要求,可以为异物侵限检测、目标跟踪和列车控制等环境感知及运...     

基于谱相减改进算法的语音增强研究

根据传统的谱相减增强型算法 ,提出了抑制噪声的谱减改进算法 ,暨根据带噪语音帧频谱功率与噪声帧频谱功率比值 ,动态调整α、β谱减系数 ,使之谱减效果在较大提高信噪比的同时 ,又能将残留的音乐噪声和语音失真保持在人耳听觉的容忍范围之内 ,保证原始语音信号质量达到一定的可懂度和清晰度。借助MATLAB语言进行试验仿真 ,仿真结果与原算法相比较 ,证明语音增强效果十分显著     

汉语语音闭环识别理解结构

目前汉语语音识别的研究没有取得太大的进展，这与语音识别模型的结构存在问题有密切关系。我们知道，语音识别和语音理解研究的主要目的是为了使计算机具有类似人耳的听觉功能，但目前传统的模型都采用开环的拓扑结构，这种结构与人理解自然语音的闭环过程是不同的；另外，现在实现的系统都采用被动方式进行语音的识别理解，这与人理解自然语音的主动过程也不一样。鉴于以上两个原因，本文提出一种语音识别理解的闭环模型，这种模型     

基于自适应粒子群算法的轨下基础病害识别

基于车辆-轨道耦合动力学模型，对不同轨下基础病害情况下的轨枕振动响应进行仿真分析。提出利用支持向量机算法和粒子群算法对轨下基础病害进行识别。为了提高粒子群算法的收敛速度，提出一种自适应粒子群算法，并将所提方法应用于轨下基础病害识别仿真，分析不同病害条件下的轨枕振动特征。研究表明：所提算法的病害识别准确率≥80%,且其算法收敛速度有明显提升。     

基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。     

轨道交通客流预测的扩展反馈四阶段法研究

针对传统客流预测的四阶段方法中存在客流预测各阶段相对独立的弊端,提出了扩展反馈四阶段法,使交通分配反馈修正交通分布阶段的误差,迭代反馈,达到平衡收敛.采用扩展反馈四阶段法对重庆轨道交通3号线客流进行了预测分析,结果表明,在2015、2025和2035年的3个目标年,当迭代次数分别为7、8和9次时,符合平衡收敛条件,满足收敛精度5％的要求.     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

基于原位试验的高速铁路中低压缩性土智能识别方法研究

中低压缩性土在我国广泛分布，是高铁路基主要的承载地层。其承载变形快速稳定的特征对高铁路基变形控制有积极意义，因此，中低压缩性土智能识别对高铁路基设计、施工具有重要意义。针对高速铁路路基勘察设计中中低压缩性土的快速、智能识别问题，通过大量的现场原位试验数据，择优确定了以标贯试验、静力触探、载荷试验等原位测试结果为智能判别指标，建立中低压缩性土模糊推演模式，构建高铁中低压缩性土网络预测模型，形成基于现场原位测试的中低压缩性土快速智能识别方法，并通过不同算法进行网络训练和工程预测。结果表明，网络预测结果与实际测试结果整体上吻合度均较高，共轭梯度法相对梯度下降法计算效率明显提高，实现了中低压缩性土原位快速识别与测定，为高铁中低压缩性土路基设计、施工、评估等环节提供了重要依据。     

非线性系统开闭环PD型迭代学习控制及其在机器人中的应用

针对一类非线性时变系统的迭代学习控制问题提出了一种开闭环PD型迭代学习控制律.这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,即在开环迭代学习控制的基础上引入一反馈环形成反馈-前馈迭代学习控制律,提高系统的跟踪性能.文中给出了使此迭代学习算法收敛的充分条件和必要条件.最后,本文结果在机器人系统中的仿真应用表明了本文方法的可行性和有效性.     

基于深度卷积神经网络的隧道衬砌裂缝识别算法

衬砌裂缝严重影响了铁路隧道的安全运营,采用机器视觉技术快速获取衬砌图片并进行裂缝识别是国内外的研究热点。衬砌裂缝图像信号具有复杂的特性,存在水渍、污染及其他结构缝等引起的噪声,加之光照不均匀、分布不规律等原因,使得传统的图像处理方法难以快速、准确地检测衬砌裂缝。本文提出一种基于深度神经网络的隧道衬砌裂缝识别算法,有效解决了裂缝识别速度慢、精度低等问题。分类结果精度达到94%,识别速度在GPU(Pascal Titan X)上每张图片仅需0.05 s;分割网络性能均交并比可达到65%,能够准确分割出裂缝形状。该算法具有很好的工程应用价值。     

基于粉红噪声的语音增强算法性能评价研究

各种不同的语音增强算法都有各自的优缺点,对于现有的语音增强算法的存在,缺少系统化的性能评价,找出合理评价语音增强算法性能的方法有利于对算法进行改进.本文全面考虑基于不同原理的语音增强算法,针对粉红噪声环境,选取各类算法中经典的具有代表性的4种语音增强算法:维纳滤波法、最小均方误差法、信号子空间法及小波变换法,在此基础上...     

基于记忆自编码器在车底关键部件的异常识别

提出一种新颖的带有记忆单元的自编码器深度神经网络,用于列车车底关键部件安装状态的异常识别,此方法不需要带标签的故障样本,网络通过最小化重构输入,把重构误差作为异常判别的因子,经过验证表明,关键部件整体异常识别的检出率可以达到92%以上。