共查询到10条相似文献，搜索用时 46 毫秒
1.
在无线电侦听领域,侦听数据中常常含有纯噪音、误判为语音的定频数字调制信号等非语音信号段,造成侦听人员工作效率下降。针对该问题,提出一种基于子带能量分析的语音段识别算法。考虑到侦听数据在时域上存在幅度跳变现象,首先利用直方图分析对侦听数据进行分段,得到若干个子数据段,然后对每个子数据段进行子带能量分析,最后提取特征参数实现对语音段的识别。仿真结果表明,该方法能够准确地对侦听数据进行分段,并识别出其中的语音段。 相似文献
2.
《淮北师范大学学报》2017,(2):55-59
为高效、准确检测离子迁移谱中离子峰的峰位、峰宽和峰高等信息,确定离子峰对应的物质种类和浓度,研究基于小波的离子迁移谱信号的去噪方法和基于高斯拟合方法的离子迁移谱信号的重构技术,给出在离子迁移谱检测爆炸物的应用中的测试结果.实验表明,基于高斯拟合结合小波降噪的方法来分析离子迁移谱信号,能够准确还原因为信号峰的重叠而消失的离子峰,提高应用离子迁移谱定性分析物质种类的能力. 相似文献
3.
介绍了为验证频谱重叠信号分离的循环平稳算法理论的正确性和进一步研究该理论的实际应用,采用可编程数字信号处理器(DSP)为核心,构建利用循环平稳特性分离平谱重叠信号的实验平台系统.采用DSP实现自适应频移滤波器对信号进行处理,实现频谱重叠信号的分离;使用Borland Delphi开发应用程序,方便用户对参数的设置.该系统应用程序响应速度快、主机用户界面友好,经实验测试,DSP系统能够实时地实现频谱重叠信号的分离. 相似文献
4.
5.
本文在对辣椒辣度进行检测所进行的色谱分析法基础上,以小波特征为提取理论基础,以色谱重叠峰为构建依据,提出了名为神经网络模型的新型解析模型.第一步就是充分利用小波特征,从辣椒原始色谱里对特征点进行提取,得出隐节点数目,以预估峰高值为隐节点的初始宽度,再应用径向基网络(RBF)的多变量插值促成原始重叠峰的拟合,获取梯度下降法的相关参数结果,最终实现分离重叠色谱峰的目的.实验完成之后,由最终结果可以看出,这个方法能够做到快速解析分离重叠峰,并且确保数据的可靠性和精确度. 相似文献
6.
陈木生 《泉州师范学院学报》2014,(2):67-70
针对图像中的高斯噪声干扰,提出一种改进的图像去噪方法．首先利用Curvelet变换将含噪声图像分解成多个子频带,再根据子带系数的高斯分布特性,利用阈值去噪和加权平均滤波相结合的方法对高频子带进行去噪处理,最后利用Curvelet反变换得到去噪后的图像．为了验证该方法的有效性,与传统的硬阈值、软阈值、基于小波变换的方法相比较,实验结果表明,该方法能够获得较好的峰值信噪比和视觉特性,保留较多的细节信息．同时也说明了Curvelet变换比小波变换能够得到更好的去噪效果． 相似文献
7.
小波理论是近年来迅速发展起来的新兴学科，已成为众多领域的研究热点。本文介绍了利用小波分析理论，分析噪声干扰有用信号的处理问题，并利用二进小波变换对含噪声的振动信号进行信噪分离。并将小波变换与短时Fourier变换消除噪音进行了比较，分析结果表明小波分析对非平稳信号消噪有着傅立叶分析不可比拟的优点。 相似文献
8.
《东南大学学报》2016,(2)
为了减少传统的截断混合矩阵求逆(ITMM)算法在个别时频点会丢失数据或者产生噪声信号的概率,提出了一种基于频域的2步欠定瞬时盲分离算法.由于现实中存在大量软稀疏(稀疏度不是很大)混合信号,将分离过程分解为ITMM和矩阵补偿2个步骤.首先估计出混合矩阵和利用经典的ITMM算法对混合信号进行初步恢复,然后对初步估计的信号时频矩阵进行矩阵补偿处理,从而达到修补丢失数据和去除多余数据(去噪)的效果.实验仿真验证了所提出的2步分离法相对于传统的ITMM算法能够得到更好的分离效果.此外,对算法的时耗问题进行了研究,相对于传统的ITMM算法,所提算法的时耗增加不到四分之一,却能够得到更好的分离效果. 相似文献
9.
为了探讨随机谐振现象的发生对信号、非线性系统和噪音的依赖性,特别是对噪音的依赖性,以互信息量为测度研究了二进制信号在非线性门限阵列的传输问题.在高斯混合噪音下计算了单门限系统和门限阵列的互信息量.通过研究得到:高斯混合噪音能改善信息的传输;随机谐振和超门限随机谐振现象不但在单门限系统中而且在门限阵列中存在;噪声分布中的参数影响随机谐振和超门限随机谐振现象的出现;随着门限阵列中门限单元数的增加,门限阵列能大大地改善信息的传输效果.这些结果进一步说明随机谐振和超门限随机谐振现象对噪声分布特性的依赖,同时也拓展了随机谐振和超门限随机谐振在信息传输中的应用. 相似文献
10.
针对工业生产过程中的时变性问题,提出贝叶斯网络框架下的自适应质量变量预测建模方法。采用改进的即时学习策略,将数据库分成若干局部数据子集,快速选择与待测样本相似度较高的一组数据作为训练样本, 再利用主成分分析对训练样本过程变量进行特征提取,借此作为网络模型输入变量。利用基于改进Figueiredo-Jain算法的EM算法估计高斯混合模型参数,构建高斯混合模型逼近贝叶斯网络联合概率密度,训练得到贝叶斯网络下的自适应质量变量预测模型。基于田纳西伊斯曼（TE）仿真过程获得的数据,利用该方法对成分XG进行预测并与传统PCA-BN模型对比。结果证实该方法最大误差下降14.4%,均方根误差下降7.5%,相对误差下降8.3%,验证了该方法解决时变性问题的有效性。 相似文献