【摘要】：信號是信息的載體,信息處理的關鍵在于對信號中關鍵信息屬性的提取與分析。時變信號(Time Varying Signal,TVS),如各種音頻信號和生命體征信號等,是一類重要的、具有非線性非平穩(wěn)特性的常見信號,涵蓋了信息提取的主要難點和熱點問題。在目前的絕大多數(shù)研究中都將TVS視為短時平穩(wěn)且線性的,重點關注其時域和頻域包含的信息,而信號隨時間變化部分所承載的信息大部分被忽略,嚴重影響TVS信息提取的精準度,使其實際應用受到了很大限制。本論文面對TVS處理的挑戰(zhàn),重點研究了TVS的信號分割標準、信號成分分析、信號建模與特征提取以及分類識別等核心問題,主要研究內(nèi)容包括:(1)實時精準分割是TVS信號分析的前提。針對TVS處理中的粒度劃分標準與快速魯棒分割算法等問題,提出了基于Hilbert譜(Hilbert Spectrum,HS)的自適應信號分割技術。通過深入研究非平穩(wěn)過程產(chǎn)生非線性失真的描述與恢復方法,精確地提取了信號在HS時域和頻域上的能量特征。為了提升HS時域能量特征的區(qū)分能力,提出了基于時域能量對數(shù)的能量強度指數(shù),并基于該指數(shù)完成初始分割。其后利用TVS在不同頻帶上的變化差異,通過對相鄰等長時段內(nèi)的頻域能量差異進行考察,檢測TVS的精確分割點。與其他主流信號分割技術相比,本文方法得到的分割結果準確,并具有更少的插入與漏檢錯誤;在語音識別應用中,本文方法在87%以上情況下會給出合理的分割結果。(2)針對TVS有效成分自動分析問題,提出了一種將獨立成分分析(Independent Component Analysis,ICA)和希爾伯特黃變換相融合的TVS成分分析技術。在復雜的實際環(huán)境中,所獲得的TVS通常由多種源信號混合而成,ICA可以分離信號中的這些隱藏成分。但ICA也具有獨立成分(Independent Component,IC)順序和幅值不確定的問題。為此我們對各IC實施經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD),利用IC趨勢項能夠有效表征信號差異的特性,自動地對感興趣的IC進行識別;通過計算IC的瞬時頻率來實施頻域濾波,得到了更加精確的成分。面對以多成分混合和強干擾頻發(fā)為特征的典型TVS——腦電信號(Electroencephalogram,EEG),我們對本文方法的信號分離和成分提取能力進行了驗證。對于眼電偽跡影響的問題,本文方法可以有效去除EEG信號中99.9%的眼電信號。在同經(jīng)典的基于ICA和回歸分析的方法比較中看到,本文方法將修正EEG信號與原始EEG信號的相關度從經(jīng)典ICA的0.69和回歸分析的0.71提高到0.84,并且保留了更多的腦認知活動相關信息。(3)TVS包含的高維特征,只有通過高效的建模才能有效提取,稀疏模型是TVS簡潔、高效的表達,對此本文提出了一種基于本征模態(tài)函數(shù)基字典的TVS稀疏建模與特征提取方法。對信號進行EMD分解得到的本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)是信號最本質(zhì)的成分。我們提出將IMF用于字典的學習,引進層級稀疏建模的思想,通過正交匹配追蹤對TVS進行稀疏建模,在保證建模效果的前提下極大地消除了建模效率低下的問題。并且,進一步提出了基于壓縮感知理論的特征提取方法,將少量但卻包含了主要信息的感知特征系數(shù)作為TVS后續(xù)處理的有效特征。實驗證明:在相同稀疏度下,用本文稀疏模型重構信號的信噪比,比其他主流方法高2d B以上;在相同信噪比下,本方法稀疏建模所需要的原子數(shù)量最少;對音頻信號來說,本方法不僅能最大限度地刻畫其中的語義信息,而且更適于對音頻情感識別問題的解決。(4)構建一個高性能、高魯棒的TVS分類器是實際應用系統(tǒng)的重要部分。針對實際應用中的數(shù)據(jù)分布復雜、類別多樣、漂移變化和新類涌現(xiàn)等棘手問題,本文重點研究了基于自適應諧振理論(Adaptive Resonance Theory,ART)神經(jīng)網(wǎng)絡技術,提出了一種基于半監(jiān)督學習的ART2網(wǎng)絡(Semi-Supervised ART2,SS-ART2),并提出了基于廣義相似度和置信度的SS-ART2運行機制。所提出的SS-ART2對于未知類別樣本,通過為該樣本激活新輸出模式的方法,大大降低了新涌現(xiàn)情況對網(wǎng)絡性能的影響;引進半監(jiān)督學習機制,充分利用有標記樣本和無標記樣本,大大提升網(wǎng)絡訓練效率;采用廣義相似度和樣本置信度改進網(wǎng)絡權值更新方法,解決了標注錯誤、奇異樣本和模式漂移等問題;此外通過采取局部警戒閾值的方法,還可以有效避免全局調(diào)整形成的網(wǎng)絡震蕩。實驗證明所提出的SS-ART2網(wǎng)絡結構合理,輸出模式中心能夠反映實際數(shù)據(jù)的聚類中心,與實驗中的其他方法相比,可以取得最好的分類識別準確率。本文所提方法綜合利用了信號自身特點和信號之間差異,對多通道TVS系統(tǒng)通常能充分發(fā)揮性能,而單通道情況則成為了對系統(tǒng)更嚴苛的考驗。通過連續(xù)的單通道新聞聯(lián)播音頻流,并隨機地加入沖激信號來模擬突發(fā)性噪聲干擾,對本文方法進行系統(tǒng)性的評測,本文方法可以有效剔除各種干擾,保證聲學事件識別的準確度不受影響,而且通過提取信號自身特征和差異特征,實現(xiàn)語音情感識別的準確率達到70.2%,平均高出其他主流方法約6%。本文針對TVS處理的關鍵問題進行了深入細致研究,重點解決了實時TVS處理系統(tǒng)中的精準分割、成分分析、特征提取與可靠識別等核心問題,在腦電信號和音頻信號等TVS處理的難點問題上取得了很好的效果,為各種TVS處理奠定了堅實基礎并對相近領域具有重要啟發(fā)意義。
【圖文】：

類型的信號；同一話者或情感的語音中又包含不同的語音內(nèi)容，如圖 2-1 所示TVS 經(jīng)常會遇到不同質(zhì)信號間轉(zhuǎn)換速度快，或同質(zhì)且內(nèi)容上平穩(wěn)的信號持續(xù)時間很短的情況，對分割點的檢測也造成困難。

上看無法準確判斷分割點的具體位置。如圖 2-2 所示：一段有背景音的語音信號，背景音相對于語音信號就是噪聲。在對這樣的信號進行分割時，由于噪聲的存在，信號能量較純凈信號能量更大，再加上特征更多地表征了噪聲，因此使其中存在的分割點難以被檢出。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TN911.7

【相似文獻】

相關期刊論文 前6條

1 李允公;劉杰;張金萍;;基于單一小波的時變信號最優(yōu)分解方法[J];遼寧工程技術大學學報;2007年04期

2 杜文吉,李建瀛;小波變換在時變信號處理中的應用[J];火控雷達技術;1997年02期

3 周志成;一個利用ADC產(chǎn)生多種時變信號的方法[J];核電子學與探測技術;1991年06期

4 陳祥初 ,石林鎖;利用三維譜圖研究時變信號[J];電子與電腦;1996年04期

5 高嵩;龔喜進;楊武;郭娜;;PLC在低頻時變信號處理中的應用[J];硅谷;2013年20期

6 ;[J];;年期

相關會議論文 前1條

1 林從容;謝求成;;時變信號的隨機參數(shù)AR模型分析方法[A];1997中國控制與決策學術年會論文集[C];1997年

相關博士學位論文 前1條

1 高暢;時變信號處理關鍵技術研究[D];哈爾濱工業(yè)大學;2016年

相關碩士學位論文 前2條

1 馬碩驁;稀疏時變信號壓縮感知重構算法的研究[D];南京理工大學;2014年

2 張曉菲;廣義解調(diào)在復合時變信號處理中的應用[D];武漢科技大學;2012年

，

本文編號：2586954