一、單通道的精彩——兩大主流單通道系統(tǒng)對(duì)比測(cè)試（論文文獻(xiàn)綜述）
錢(qián)娜,周德福,秦睿恒,化世玉,鄧安逸,鄒衛(wèi)文[1]（2022）在《高速光子模數(shù)轉(zhuǎn)換技術(shù)及其集成化研究進(jìn)展》文中研究指明光子模數(shù)轉(zhuǎn)換技術(shù)是克服傳統(tǒng)電子模數(shù)轉(zhuǎn)換技術(shù)在采樣速率、輸入帶寬、時(shí)鐘抖動(dòng)和比較器模糊等局限性的有效手段。光子模數(shù)轉(zhuǎn)換技術(shù)為超寬帶雷達(dá)、超高速示波器、大容量光通信等前沿應(yīng)用的高速率、大帶寬、高精度接收提供了有效解決方案。文章首先簡(jiǎn)要介紹了光子模數(shù)轉(zhuǎn)換技術(shù)的技術(shù)途徑分類及對(duì)比，然后重點(diǎn)介紹作者所在課題組圍繞并行解復(fù)用光子模數(shù)轉(zhuǎn)換系統(tǒng)開(kāi)展的理論研究與應(yīng)用研究工作。此外，分析了集成光子模數(shù)轉(zhuǎn)換系統(tǒng)現(xiàn)狀并展望了其未來(lái)發(fā)展思路和關(guān)鍵挑戰(zhàn)。最后對(duì)全文進(jìn)行了總結(jié)。
徐瑯[2]（2021）在《基于深度神經(jīng)網(wǎng)絡(luò)的單通道語(yǔ)音增強(qiáng)算法研究》文中提出語(yǔ)音增強(qiáng)在數(shù)字信號(hào)處理領(lǐng)域占據(jù)著舉足輕重的地位,能在改善受損語(yǔ)音質(zhì)量的同時(shí)提升其可懂度,在智慧家庭等方向得到了廣泛地應(yīng)用。隨著深度學(xué)習(xí)在計(jì)算機(jī)領(lǐng)域的普及,基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型訓(xùn)練成為了當(dāng)下實(shí)現(xiàn)語(yǔ)音增強(qiáng)的主流方法。目前主要是基于深度學(xué)習(xí)來(lái)搭建網(wǎng)絡(luò)模型,并結(jié)合大量數(shù)據(jù)運(yùn)算,在模型中學(xué)習(xí)從帶噪特征映射到增強(qiáng)目標(biāo)的函數(shù),以解決語(yǔ)音增強(qiáng)任務(wù)。然而,該方案仍然存在著語(yǔ)音增強(qiáng)質(zhì)量不高、模型訓(xùn)練速度緩慢以及模型結(jié)果評(píng)價(jià)指標(biāo)分?jǐn)?shù)不高的不足。為解決上述問(wèn)題,本文基于深度神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音信號(hào)增強(qiáng)展開(kāi)了系列研究。1、文中對(duì)基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)模型展開(kāi)了研究,分析其網(wǎng)絡(luò)訓(xùn)練使用的損失函數(shù)因沒(méi)有充分利用語(yǔ)音幀與幀之間的相關(guān)性,導(dǎo)致該模型增強(qiáng)效果不夠好。因此,在此基礎(chǔ)上引入一種優(yōu)化的損失函數(shù),結(jié)合深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型,使語(yǔ)音信號(hào)鄰幀之間的相關(guān)性得到了充分利用。仿真實(shí)驗(yàn)證明,文中所給訓(xùn)練方案的語(yǔ)音增強(qiáng)效果明顯優(yōu)于原訓(xùn)練方案以及傳統(tǒng)模型訓(xùn)練方案,極大地增強(qiáng)了語(yǔ)音質(zhì)量和可懂度。2、文中提出了引用圖像領(lǐng)域中的U-Net模型,利用U-Net模型端到端的特點(diǎn),結(jié)合殘差網(wǎng)絡(luò)構(gòu)建一種改進(jìn)的模型用于訓(xùn)練語(yǔ)音增強(qiáng)。其創(chuàng)新在于將殘差單元引入該模型的編解碼塊中,也即是將殘差網(wǎng)絡(luò)結(jié)構(gòu)的跨層連接和擬合殘差項(xiàng)應(yīng)用到模型訓(xùn)練中,該方法更有利于恢復(fù)目標(biāo)語(yǔ)音的細(xì)節(jié)特征信息,增強(qiáng)了模型訓(xùn)練的穩(wěn)定性,提高了模型的特征提取能力和訓(xùn)練效率,改進(jìn)后的Residual-U-Net網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)更優(yōu)的語(yǔ)音增強(qiáng)效果。仿真實(shí)驗(yàn)表明:與現(xiàn)有的其他幾種語(yǔ)音增強(qiáng)方法相比,文中所提出的Residual-U-Net算法能夠提高語(yǔ)音質(zhì)量,減少語(yǔ)音失真,具有一定的降噪效果。綜上,本文主要探究基于深度神經(jīng)網(wǎng)絡(luò)的單通道語(yǔ)音增強(qiáng)算法。實(shí)驗(yàn)結(jié)果表明,本文的算法與傳統(tǒng)方法相比,能夠進(jìn)一步提升語(yǔ)音的質(zhì)量和可懂度。最后對(duì)本文內(nèi)容總結(jié)并提出了未來(lái)的研究方向與趨勢(shì)。
陳琪[3]（2020）在《基于智能算法的車內(nèi)路噪多通道主動(dòng)控制技術(shù)研究》文中進(jìn)行了進(jìn)一步梳理隨著汽車品質(zhì)的提升,汽車車內(nèi)噪聲成為用戶評(píng)價(jià)汽車乘坐舒適性的重要指標(biāo)。目前,隨著汽車振動(dòng)噪聲技術(shù)的發(fā)展,發(fā)動(dòng)機(jī)和傳動(dòng)系統(tǒng)噪聲已經(jīng)得到有效控制,汽車行駛時(shí)輪胎與路面相互作用產(chǎn)生的噪聲（以下簡(jiǎn)稱“路噪”）在整車噪聲的影響程度在擴(kuò)大,降低車內(nèi)路噪,是汽車行業(yè)發(fā)展的重要趨勢(shì)。路噪主要是低頻率寬頻帶的隨機(jī)噪聲,目前主流的被動(dòng)降噪技術(shù),如吸聲、隔聲等,難以對(duì)其進(jìn)行抑制,因此能有效降低低頻噪聲的噪聲主動(dòng)控制技術(shù)引發(fā)了廣大汽車科技工作者的關(guān)注。同時(shí),為了滿足車內(nèi)多個(gè)位置的降噪需求就需要研究噪聲的多通道主動(dòng)控制技術(shù)。本文通過(guò)研究噪聲多通道主動(dòng)控制技術(shù)的基本原理、系統(tǒng)結(jié)構(gòu)和算法實(shí)現(xiàn),并對(duì)車內(nèi)路噪的噪聲特性進(jìn)行分析,結(jié)合現(xiàn)有的車內(nèi)路噪主動(dòng)控制方法提出了一種新的基于神經(jīng)網(wǎng)絡(luò)技術(shù)的車內(nèi)路噪多通道主動(dòng)控制策略:采用對(duì)時(shí)間序列信號(hào)具有較好辨識(shí)能力的神經(jīng)網(wǎng)絡(luò)方法,經(jīng)過(guò)離線訓(xùn)練后通過(guò)懸架和車身連接點(diǎn)的振動(dòng)加速度信號(hào)對(duì)車內(nèi)路噪信號(hào)進(jìn)行辨識(shí),然后利用多通道噪聲主動(dòng)控制算法對(duì)車內(nèi)路噪進(jìn)行主動(dòng)降噪,并圍繞提出的控制策略,主要完成了以下研究工作:首先,通過(guò)比較各類算法特點(diǎn)后確定了車內(nèi)多通道噪聲主動(dòng)控制系統(tǒng)的控制方案,采用基于隨機(jī)梯度的LMS算法及多通道FxLMS算法分別完成多通道噪聲主動(dòng)控制系統(tǒng)的次級(jí)聲通道辨識(shí)和主動(dòng)降噪。其次,基于試驗(yàn)采集的汽車勻速行駛工況下懸架和車身連接點(diǎn)的振動(dòng)加速度信號(hào)以及車內(nèi)駕駛員與后排乘員耳旁噪聲信號(hào)進(jìn)行了低頻特性與多重相關(guān)性分析,建立了車內(nèi)路噪辨識(shí)的Elman神經(jīng)網(wǎng)絡(luò)模型。然后,建立了多通道噪聲主動(dòng)控制系統(tǒng)模型,并將其與多參考LMS算法合成車內(nèi)路噪模型和Elman神經(jīng)網(wǎng)絡(luò)車內(nèi)路噪辨識(shí)模型分別整合,搭建了現(xiàn)有的車內(nèi)路噪主動(dòng)控制模型與基于神經(jīng)網(wǎng)絡(luò)的車內(nèi)路噪多通道主動(dòng)控制模型,對(duì)比驗(yàn)證提出的車內(nèi)路噪多通道主動(dòng)控制策略的有效性和可行性?；谠囼?yàn)采集的振動(dòng)與噪聲數(shù)據(jù)分別對(duì)兩組模型進(jìn)行了仿真分析。結(jié)果表明,在路噪頻率范圍內(nèi),兩組模型均取得了良好的降噪效果,可以實(shí)現(xiàn)多點(diǎn)的同時(shí)降噪?，F(xiàn)有的車內(nèi)路噪主動(dòng)控制模型降噪量主要分布在10dB以內(nèi),峰值的降噪量可以達(dá)到約20dB?；谏窠?jīng)網(wǎng)絡(luò)辨識(shí)的車內(nèi)路噪主動(dòng)控制系統(tǒng)降噪效果不遜于現(xiàn)有的車內(nèi)路噪多通道主動(dòng)控制策略,甚至在0-50Hz范圍內(nèi)的峰值噪聲降噪效果更佳,可以達(dá)到約25dB。最后,基于所建立的車內(nèi)路噪多通道主動(dòng)控制Simulink模型及其控制策略,搭建車內(nèi)路噪多通道主動(dòng)控制系統(tǒng)的硬件在環(huán)仿真平臺(tái),并以實(shí)車試驗(yàn)采集的數(shù)據(jù)為基礎(chǔ)對(duì)所建系統(tǒng)進(jìn)行硬件在環(huán)仿真試驗(yàn),結(jié)果表明基于神經(jīng)網(wǎng)絡(luò)的車內(nèi)路噪多通道主動(dòng)控制系統(tǒng)在20-100Hz頻率范圍內(nèi)具有較好的降噪效果,并且可以實(shí)現(xiàn)多點(diǎn)的同時(shí)降噪,降噪量主要分布在2-8dB,噪聲峰值處的降噪效果更佳。
張金玉[4]（2020）在《青藏鐵路沿線不同深度凍土溫度分布式監(jiān)測(cè)系統(tǒng)設(shè)計(jì)》文中進(jìn)行了進(jìn)一步梳理青藏高原地區(qū)是我國(guó)經(jīng)濟(jì)發(fā)展的重點(diǎn)對(duì)象之一,鐵路建設(shè)是實(shí)現(xiàn)穩(wěn)定發(fā)展的前提。隨著川藏線海拔逐漸增大,青藏高原地區(qū)具備了形成和保存多年凍土的低溫條件,凍土的水熱物理特性使得在凍土區(qū)修筑的鐵路必將面臨凍脹和融沉兩大危險(xiǎn),嚴(yán)重?fù)p壞軌道地基,造成嚴(yán)重后果。為了服務(wù)青藏高原鐵路建設(shè)和維護(hù)保障需要,設(shè)計(jì)了不同深度凍土溫度分布式監(jiān)測(cè)系統(tǒng),旨在鐵路建設(shè)與運(yùn)行時(shí),監(jiān)測(cè)沿線土壤溫度,實(shí)現(xiàn)凍土變化預(yù)警,做好防護(hù)措施。本文基于凍土的水熱物理特性,結(jié)合其溫度變化趨勢(shì),分析了系統(tǒng)需滿足的監(jiān)測(cè)精度、最大深度等性能參數(shù)。在此基礎(chǔ)上,研究了適用于低溫環(huán)境下的熱敏電阻的非線性特性,通過(guò)實(shí)驗(yàn)逐點(diǎn)測(cè)試傳感器溫阻值,分段擬合,得到熱敏電阻的溫阻關(guān)系曲線,用于溫度信號(hào)的監(jiān)測(cè)與處理。根據(jù)青藏鐵路沿線土壤面積大小及施工難易程度,研究了多通道信號(hào)傳輸技術(shù)和復(fù)用通道信號(hào)傳輸技術(shù),設(shè)計(jì)了分布式64通道凍土監(jiān)測(cè)系統(tǒng)和單通道64點(diǎn)凍土監(jiān)測(cè)系統(tǒng),具體研究?jī)?nèi)容如下:1、根據(jù)多通道信號(hào)傳輸技術(shù),在分布式64通道凍土溫度監(jiān)測(cè)系統(tǒng)采集端,建立了64通道傳感器群采集模型。為了消除引線誤差,降低電壓轉(zhuǎn)換電路設(shè)計(jì)的復(fù)雜性,引入四線制方法,巧妙地設(shè)計(jì)了64通道溫度采集電路,將各路采集點(diǎn)的溫度阻值轉(zhuǎn)為電壓值,通過(guò)地下64根信號(hào)電纜傳輸至地面系統(tǒng)中。2、在系統(tǒng)接收端,利用繼電器模塊和譯碼器,設(shè)計(jì)了選通電路,選擇性接收64路溫度電壓信號(hào),可節(jié)約單片機(jī)85%的通用接口,并提高處理速度。3、針對(duì)熱敏電阻老化導(dǎo)致信號(hào)畸變等問(wèn)題,提出了一種溫度校正方法,對(duì)短時(shí)間內(nèi)同一傳感器采集的3組溫度值進(jìn)行求差對(duì)比,分析了畸變信號(hào)的概率,去除畸變概率大的溫度點(diǎn),計(jì)算并輸出處理后的溫度值。64通道系統(tǒng)的優(yōu)點(diǎn)在于信號(hào)串?dāng)_較小,精度較高,采集通道的耦合性較低,缺點(diǎn)在于布線繁雜,因此適用于布線容易的高精度監(jiān)測(cè)環(huán)境。4、根據(jù)頻分復(fù)用技術(shù)原理,建立了分布式單通道64點(diǎn)凍土溫度監(jiān)測(cè)系統(tǒng)溫度采集模型,旨在提高信道利用率,降低布線難度。設(shè)置了各路調(diào)制信號(hào)的載波頻率,設(shè)計(jì)了64路溫度信號(hào)調(diào)制電路,在單通道中實(shí)現(xiàn)了64路信號(hào)傳輸。5、在單通道系統(tǒng)接收端,為了解決自動(dòng)混頻時(shí),本地振蕩信號(hào)發(fā)生頻偏導(dǎo)致輸出信號(hào)幅度失真問(wèn)題,利用兩個(gè)乘法器和一個(gè)帶通濾波器,設(shè)計(jì)了二階乘法混頻電路,大大降低了中頻信號(hào)的失真度,提高系統(tǒng)精度。單通道64點(diǎn)系統(tǒng)的優(yōu)點(diǎn)在于信號(hào)傳輸線路較少,安裝容易,易于維護(hù),缺點(diǎn)在于信號(hào)間干擾較多,精度略低,因此適用于監(jiān)測(cè)精度要求不高的大面積凍土區(qū)域。利用高低溫實(shí)驗(yàn)室,模擬相似的凍土溫度環(huán)境,分別對(duì)分布式64通道和單通道凍土溫度監(jiān)測(cè)系統(tǒng)進(jìn)行了系統(tǒng)性能測(cè)試,并將兩個(gè)系統(tǒng)的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果可得,單通道凍土溫度監(jiān)測(cè)系統(tǒng)最大誤差為0.2℃,但穩(wěn)定性較高,適用于大范圍的初步監(jiān)測(cè),64通道凍土溫度監(jiān)測(cè)系統(tǒng)溫度誤差約為0.1℃,偶爾出現(xiàn)誤差偏大的溫度點(diǎn),適用于小范圍的精密監(jiān)測(cè),兩個(gè)系統(tǒng)均能滿足實(shí)際需求。
顏霖煌[5]（2020）在《基于圖像邊緣保持濾波技術(shù)的語(yǔ)音增強(qiáng)算法研究》文中研究說(shuō)明語(yǔ)音增強(qiáng)的目標(biāo)是從帶噪語(yǔ)音中去除噪聲干擾,盡可能提取純凈語(yǔ)音。語(yǔ)音增強(qiáng)具有減小語(yǔ)音失真、提高語(yǔ)音質(zhì)量和降低聽(tīng)覺(jué)疲勞度等作用。目前語(yǔ)音增強(qiáng)技術(shù)已普遍應(yīng)用于移動(dòng)通信、計(jì)算機(jī)、智能穿戴設(shè)備、智能家居等產(chǎn)品和領(lǐng)域中。傳統(tǒng)單通道語(yǔ)音增強(qiáng)算法可以較好地抑制平穩(wěn)噪聲,達(dá)到提高語(yǔ)音質(zhì)量的目的,但對(duì)于聽(tīng)力正常人群處理后語(yǔ)音可懂度并沒(méi)有顯著提升。傳統(tǒng)語(yǔ)音增強(qiáng)算法基本都需要進(jìn)行噪聲估計(jì)。噪聲估計(jì)的準(zhǔn)確度直接關(guān)系到算法的降噪性能和語(yǔ)音失真量。通常譜減類、維納濾波、子空間類等單通道語(yǔ)音增強(qiáng)算法對(duì)平穩(wěn)噪聲的估計(jì)和更新可以取得令人滿意的效果,可是在更多的現(xiàn)實(shí)場(chǎng)景中,如餐廳、車站候車廳等,噪聲譜特性隨時(shí)間不斷變化,這些算法的噪聲估計(jì)效果變得不盡理想,降噪性能大幅下降,因此這些算法的應(yīng)用環(huán)境和場(chǎng)景也變得有限。針對(duì)當(dāng)前單通道語(yǔ)音增強(qiáng)存在的局限性,本論文研究基于圖像邊緣保持濾波技術(shù)的語(yǔ)音增強(qiáng)算法,首先利用圖像處理中的雙邊濾波和引導(dǎo)濾波算法,通過(guò)理論建模研究時(shí)頻單元和圖像像素點(diǎn)的異同,利用保邊去噪的優(yōu)勢(shì)處理語(yǔ)譜圖的時(shí)頻單元,在平滑背景噪聲的時(shí)候保持語(yǔ)譜圖語(yǔ)音特性的邊緣信息。此外針對(duì)當(dāng)前有監(jiān)督算法的研究現(xiàn)狀和問(wèn)題,本論文利用基于語(yǔ)譜圖降噪卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行語(yǔ)音增強(qiáng)。本文的研究旨在一方面在無(wú)噪聲估計(jì)環(huán)節(jié)下提升語(yǔ)音質(zhì)量,另一方面改善當(dāng)前已有算法抑制非平穩(wěn)噪聲不理想的現(xiàn)狀。本文的具體工作和創(chuàng)新點(diǎn)體現(xiàn)在以下三個(gè)方面:（1）提出基于雙邊語(yǔ)譜圖濾波改進(jìn)OMLSA（Optimally Modified Log-spectral Amplitude）算法進(jìn)行語(yǔ)音增強(qiáng)。運(yùn)用雙邊濾波技術(shù)處理語(yǔ)音信號(hào)的語(yǔ)譜圖來(lái)實(shí)現(xiàn)語(yǔ)音去噪,把純凈語(yǔ)音的語(yǔ)譜圖當(dāng)成一幅純凈圖像,每一個(gè)時(shí)頻單元代表一個(gè)像素點(diǎn),而把帶噪語(yǔ)音歸一化后的語(yǔ)譜圖當(dāng)成是一幅干凈圖像受到噪聲干擾或霧化的結(jié)果,利用增強(qiáng)的語(yǔ)譜信息估計(jì)OMLSA算法的后驗(yàn)信噪比,對(duì)噪聲信號(hào)的噪點(diǎn)和模糊區(qū)域進(jìn)行有效抑制,最終獲得較純凈的語(yǔ)譜圖,并重構(gòu)出時(shí)域的語(yǔ)音信號(hào)。（2）提出一種基于聽(tīng)覺(jué)掩蔽效應(yīng)的引導(dǎo)語(yǔ)譜圖濾波語(yǔ)音增強(qiáng)算法。通過(guò)分析引導(dǎo)濾波算法在圖像中的運(yùn)算和應(yīng)用,受益于引導(dǎo)濾波算法結(jié)構(gòu)本身的局部線性模型,使得邊緣保持效果和算法效率均優(yōu)于雙邊濾波,且成功地克服了雙邊濾波等方法的梯度反轉(zhuǎn)問(wèn)題。作出引導(dǎo)語(yǔ)譜圖濾波表達(dá)式的理論推導(dǎo),提出基于聽(tīng)覺(jué)掩蔽效應(yīng)的引導(dǎo)語(yǔ)譜圖濾波語(yǔ)音增強(qiáng)算法,利用引導(dǎo)濾波抑制語(yǔ)譜圖背景噪聲,銳化語(yǔ)譜來(lái)提取純凈語(yǔ)音,并結(jié)合人耳的聽(tīng)覺(jué)掩蔽效應(yīng),對(duì)增強(qiáng)后的語(yǔ)譜根據(jù)聽(tīng)覺(jué)掩蔽閾值的大小自適應(yīng)地調(diào)整和削減殘余噪聲。在不同的噪聲環(huán)境下全面對(duì)比多種傳統(tǒng)單通道語(yǔ)音增強(qiáng)算法的性能,重點(diǎn)研究引導(dǎo)語(yǔ)譜圖濾波應(yīng)對(duì)平穩(wěn)和非平穩(wěn)態(tài)噪聲環(huán)境的性能兼具的效果,實(shí)現(xiàn)語(yǔ)音質(zhì)量、語(yǔ)音可懂度和自然度的提升。（3）研究基于語(yǔ)譜圖降噪卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行語(yǔ)音增強(qiáng),通過(guò)引入監(jiān)督學(xué)習(xí)解決雙邊濾波和引導(dǎo)濾波算法出現(xiàn)的中低頻殘留噪聲問(wèn)題。將語(yǔ)音信號(hào)按照?qǐng)D像的特征提取方式,用語(yǔ)譜圖當(dāng)做訓(xùn)練集,應(yīng)用性能突出的降噪卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語(yǔ)譜圖降噪處理,避開(kāi)傳統(tǒng)語(yǔ)音特征常用的循環(huán)神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)深度有限、復(fù)雜度過(guò)大的問(wèn)題,依靠語(yǔ)譜圖裁剪策略更容易獲得大量訓(xùn)練數(shù)據(jù),空間存儲(chǔ)成本小很多。采用較深層的網(wǎng)絡(luò),致力于提高容量和靈活性來(lái)利用語(yǔ)譜圖特征,也能捕捉到足夠多的空間信息使降噪性能更好。研究的模型在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練中應(yīng)用殘差學(xué)習(xí)策略,并引入批規(guī)范化,對(duì)模型的性能有較大的提升。不管是已見(jiàn)噪聲情況還是未見(jiàn)噪聲的情況,所提出的語(yǔ)譜圖降噪模型都表現(xiàn)出比較好的學(xué)習(xí)能力和降噪性能,表明了本文的語(yǔ)音增強(qiáng)系統(tǒng)較好的魯棒性。
王迎福[6]（2020）在《基于非負(fù)矩陣分解的語(yǔ)音增強(qiáng)算法研究》文中研究表明語(yǔ)音增強(qiáng)技術(shù)作為語(yǔ)音信號(hào)前端的預(yù)處理方法之一,是目前數(shù)字語(yǔ)音信號(hào)研究領(lǐng)域內(nèi)的一個(gè)熱門(mén)方向,旨在從含噪語(yǔ)音信號(hào)中重構(gòu)出接近原始語(yǔ)音信號(hào)的純凈信號(hào)。按照采集信號(hào)的麥克風(fēng)個(gè)數(shù),可將其分為單通道和多通道兩種類型。本文采用多通道中的雙通道情況進(jìn)行語(yǔ)音增強(qiáng)的研究,因?yàn)樗确先说碾p耳特性,又能合理使用語(yǔ)音信號(hào)的空間信息。由于機(jī)器學(xué)習(xí)方法的出現(xiàn),一些新的語(yǔ)音增強(qiáng)算法先后出現(xiàn)。其中,利用非負(fù)矩陣分解方法進(jìn)行語(yǔ)音增強(qiáng)效果良好,且其非負(fù)數(shù)據(jù)特性更具實(shí)際含義。論文主要工作是提出了一種無(wú)監(jiān)督的廣義互相關(guān)與非負(fù)矩陣相結(jié)合的語(yǔ)音增強(qiáng)算法,并根據(jù)實(shí)際需求對(duì)其不足進(jìn)行改進(jìn),具體如下:1)對(duì)幾種典型的語(yǔ)音增強(qiáng)方法進(jìn)行了簡(jiǎn)單的探究,并介紹了基本非負(fù)矩陣分解方法的原理和算法特性。闡述了基于多通道的非負(fù)矩陣增強(qiáng)算法和麥克風(fēng)陣列聲源定位方法。2)針對(duì)傳統(tǒng)單通道語(yǔ)音增強(qiáng)算法沒(méi)有利用信號(hào)的空間信息這一缺陷,提出了一種將廣義互相關(guān)方法與非負(fù)矩陣相結(jié)合的語(yǔ)音增強(qiáng)算法。該方法通過(guò)對(duì)輸入混合信號(hào)進(jìn)行字典預(yù)學(xué)習(xí),然后隨機(jī)初始化激活系數(shù)向量并進(jìn)行迭代更新,從而可以逐幀推導(dǎo)出輸入混合語(yǔ)音信號(hào)預(yù)學(xué)習(xí)字典的激活系數(shù)。此外,使用了最大池化廣義互相關(guān)相變技術(shù)進(jìn)行在線目標(biāo)定位,不僅確保了算法的實(shí)時(shí)性,而且極大地保證了重構(gòu)后的語(yǔ)音質(zhì)量和辨識(shí)度。3)針對(duì)使用以短時(shí)傅里葉變換算法為基礎(chǔ)的語(yǔ)音增強(qiáng)算法會(huì)產(chǎn)生固有延遲,提出了一種非對(duì)稱短時(shí)傅里葉變換的窗口化方法代替?zhèn)鹘y(tǒng)的對(duì)稱窗方法。該方法使用較長(zhǎng)的分析窗和較短的合成窗相結(jié)合來(lái)實(shí)現(xiàn)算法的低延遲。實(shí)驗(yàn)證明,該算法能將固有算法延遲降低至2ms而不會(huì)降低語(yǔ)音的質(zhì)量和清晰度。基于以上的這些特性,該算法具有一定的實(shí)用價(jià)值。
周瑋[7]（2018）在《TD-LTE室內(nèi)分布系統(tǒng)覆蓋優(yōu)化的研究》文中指出TD-LTE網(wǎng)絡(luò)是中國(guó)移動(dòng)主要的4G網(wǎng)絡(luò),而TD-LTE網(wǎng)絡(luò)本身面臨兩大挑戰(zhàn):高頻段和高期望。市場(chǎng)用戶對(duì)TD-LTE網(wǎng)絡(luò)具有較高的期望,要求TD-LTE網(wǎng)絡(luò)可以為用戶提供較高的數(shù)據(jù)傳輸速率,而目前使用的D/E頻段由于頻率較高,覆蓋能力特別是深度覆蓋能力不足。就數(shù)據(jù)業(yè)務(wù)的承載能力而言,目前TD-LTE室內(nèi)分布小區(qū)流量占比高,TD-LTE室內(nèi)分布系統(tǒng)是對(duì)4G網(wǎng)絡(luò)的必要補(bǔ)充,已正在發(fā)揮不可替代的作用。由于用戶更多在室內(nèi)進(jìn)行業(yè)務(wù),室內(nèi)覆蓋質(zhì)量尤其重要。TD-LTE網(wǎng)絡(luò)優(yōu)化亟待以室外指標(biāo)為主向以室內(nèi)深度覆蓋為主轉(zhuǎn)變。本論文首先介紹了TD-LTE室內(nèi)分布系統(tǒng),包括了室內(nèi)分布系統(tǒng)的概念、組網(wǎng)、天線設(shè)計(jì)等;其次結(jié)合某典型TD-LTE分布系統(tǒng)與室內(nèi)分布優(yōu)化原理和方法,給出該典型TD-LTE分布系統(tǒng)中TD-LTE網(wǎng)絡(luò)性能和技術(shù)指標(biāo)分析,以及在優(yōu)化需考慮的因素;然后通過(guò)結(jié)合安徽移動(dòng)室內(nèi)分布專項(xiàng)優(yōu)化項(xiàng)目,在實(shí)際站點(diǎn)中對(duì)各類TD-LTE室內(nèi)分布系統(tǒng)優(yōu)化遇見(jiàn)的問(wèn)題進(jìn)行分析總結(jié),給出了各站點(diǎn)TD-LTE室內(nèi)分布系統(tǒng)的最終優(yōu)化方案,并從多重定向、CSFB低回落、零流量、異頻切換等多個(gè)方面對(duì)上述優(yōu)化流程、方法和技術(shù)方案進(jìn)行了驗(yàn)證;最后從改進(jìn)室內(nèi)分布系統(tǒng)優(yōu)化效率、提升全網(wǎng)室內(nèi)分布系統(tǒng)網(wǎng)絡(luò)質(zhì)量等方面對(duì)TD-LTE室內(nèi)分布系統(tǒng)優(yōu)化后的性能進(jìn)行了驗(yàn)收。另外還給出了構(gòu)建TD-LTE網(wǎng)絡(luò)質(zhì)量評(píng)估體系的辦法,同時(shí)形成了TD-LTE室內(nèi)分布系統(tǒng)問(wèn)題排查定位的方法。本論文采用理論研究和工程實(shí)踐相結(jié)合的方式,對(duì)安徽移動(dòng)TD-LTE室內(nèi)分布系統(tǒng)的專項(xiàng)優(yōu)化達(dá)到了預(yù)期的效果。本論文對(duì)TD-LTE室內(nèi)分布系統(tǒng)的優(yōu)化研究為4G室內(nèi)分布優(yōu)化提供了指導(dǎo)意見(jiàn),對(duì)于探討目前4G移動(dòng)通信室內(nèi)分布系統(tǒng)優(yōu)化具有普遍適用性。
朱正德[8]（2019）在《面向綠色制造的微量潤(rùn)滑技術(shù)在現(xiàn)代汽車工業(yè)中的應(yīng)用》文中提出微量潤(rùn)滑作為當(dāng)今綠色制造技術(shù)的典型代表,獲得了國(guó)內(nèi)外汽車業(yè)界越來(lái)越多的關(guān)注和重視,且已在一些動(dòng)力總成生產(chǎn)企業(yè)和發(fā)動(dòng)機(jī)、變速器零部件專業(yè)工廠中得到了成功的應(yīng)用。本文借助曲軸斜油孔加工這一具體案例,并在與傳統(tǒng)制造工藝進(jìn)行對(duì)比分析后,較全面地闡述了微量潤(rùn)滑技術(shù)的實(shí)際使用效果。
田敏[9]（2019）在《多通道SAR復(fù)圖像域慢速運(yùn)動(dòng)目標(biāo)多特征檢測(cè)方法研究》文中認(rèn)為多通道合成孔徑雷達(dá)能夠?qū)ν挥^測(cè)場(chǎng)景高效地完成多幀成像,利用多幀復(fù)圖像的空時(shí)聯(lián)系進(jìn)一步提升動(dòng)目標(biāo)的檢測(cè)性能與定位精度,在軍事情報(bào)獲取與交通監(jiān)視領(lǐng)域發(fā)揮著至關(guān)重要的作用。合成孔徑雷達(dá)由于平臺(tái)的運(yùn)動(dòng)導(dǎo)致地/海雜波的多普勒譜展寬,慢速運(yùn)動(dòng)目標(biāo)會(huì)淹沒(méi)在雜波背景中,需要進(jìn)行雜波抑制來(lái)實(shí)現(xiàn)動(dòng)目標(biāo)檢測(cè)。在實(shí)際環(huán)境中,雜波分布非均勻,內(nèi)部起伏運(yùn)動(dòng)引起時(shí)間、空間去相關(guān),雷達(dá)非正側(cè)視工作時(shí)雜波空時(shí)二維譜隨空間快速變化,加之雷達(dá)系統(tǒng)的幅度和相位響應(yīng)誤差,導(dǎo)致自適應(yīng)雜波抑制能力惡化,動(dòng)目標(biāo)檢測(cè)虛警概率升高,雷達(dá)系統(tǒng)的最小可檢測(cè)速度變差。針對(duì)實(shí)際背景下動(dòng)目標(biāo)檢測(cè)的關(guān)鍵問(wèn)題,本文綜合利用多通道合成孔徑雷達(dá)復(fù)圖像域的信號(hào)幅度、相位、干涉幅度、干涉相位、濾波響應(yīng)損失以及運(yùn)動(dòng)艦船的尾跡等多特征以提升慢速目標(biāo)的檢測(cè)性能,主要研究工作概括如下:1.在復(fù)雜地雜波背景下,針對(duì)利用雜波抑制殘差圖的動(dòng)目標(biāo)檢測(cè)方法存在虛警概率高、慢速低信噪比目標(biāo)檢測(cè)困難的問(wèn)題,提出了一種基于濾波響應(yīng)損失的兩步檢測(cè)方法。該方法首先進(jìn)行穩(wěn)健的場(chǎng)景雜波抑制處理,并采用較低的幅度檢測(cè)門(mén)限初步檢測(cè)出潛在目標(biāo),旨在提升慢速、低信噪比目標(biāo)的檢測(cè)概率;然后,根據(jù)潛在目標(biāo)在雜波抑制前后的功率變化構(gòu)造濾波響應(yīng)損失檢測(cè)量進(jìn)行二次檢測(cè)以剔除虛警。推導(dǎo)了該兩步檢測(cè)方法在非均勻雜波背景下的統(tǒng)計(jì)分布特性,并給出了自適應(yīng)檢測(cè)門(mén)限的計(jì)算方式。實(shí)驗(yàn)結(jié)果表明,相比于廣義內(nèi)積似然比、干涉幅度相位兩步檢測(cè)以及干涉幅度相位結(jié)合方法,所提方法能夠改善非均勻雜波背景下低信噪比動(dòng)目標(biāo)的檢測(cè)性能,獲得更好的動(dòng)目標(biāo)最小可檢測(cè)速度。2.在海雜波背景下,針對(duì)現(xiàn)有運(yùn)動(dòng)艦船目標(biāo)檢測(cè)方法存在虛警概率高、動(dòng)目標(biāo)檢測(cè)盲速區(qū)大的問(wèn)題,提出了一種基于干涉幅度與相位自適應(yīng)融合的無(wú)盲速艦船目標(biāo)檢測(cè)方法。首先,聯(lián)合復(fù)干涉圖像的幅度、相位以及空間結(jié)構(gòu)信息設(shè)計(jì)了一種干涉雙邊濾波處理算法,以平滑噪聲,并保持物體的空間結(jié)構(gòu),可以獲得更加準(zhǔn)確的干涉信息測(cè)量結(jié)果。然后,利用高斯核函數(shù)構(gòu)造了一種基于干涉幅度與相位自適應(yīng)融合的目標(biāo)檢測(cè)準(zhǔn)則,并根據(jù)復(fù)合高斯雜波模型推導(dǎo)了該檢測(cè)量的概率密度函數(shù),給出了自適應(yīng)檢測(cè)門(mén)限的計(jì)算方式。理論分析表明,對(duì)于盲速區(qū)的動(dòng)目標(biāo),該檢測(cè)準(zhǔn)則可以自動(dòng)退化為幅度檢測(cè)量以避免檢測(cè)盲速;對(duì)于非盲速區(qū)的目標(biāo),該準(zhǔn)則通過(guò)融合干涉幅度與相位信息來(lái)增加艦船目標(biāo)與背景的對(duì)比度,提升低信噪比目標(biāo)的檢測(cè)性能。機(jī)載實(shí)測(cè)數(shù)據(jù)處理結(jié)果表明,所提出的干涉雙邊濾波多視處理算法可以有效地平滑噪聲,提升干涉信息的測(cè)量精度;干涉幅度與相位自適應(yīng)融合的目標(biāo)檢測(cè)準(zhǔn)則改善了動(dòng)目標(biāo)的檢測(cè)盲速問(wèn)題,提高了低信噪比運(yùn)動(dòng)艦船目標(biāo)的檢測(cè)性能。3.為緩解海雜波背景下低信噪比、小尺寸運(yùn)動(dòng)艦船目標(biāo)檢測(cè)概率低的問(wèn)題,在沿航跡干涉合成孔徑雷達(dá)系統(tǒng)下,提出一種尾跡特征輔助的運(yùn)動(dòng)艦船目標(biāo)檢測(cè)方法。該方法首先綜合利用干涉幅度、干涉相位以及尾跡的形態(tài)特征來(lái)提升艦船尾跡的檢測(cè)性能。然后,一方面利用尾跡特征構(gòu)造待檢測(cè)艦船目標(biāo)的位置和沿航跡干涉相位模板;另一方面,在復(fù)干涉圖像域構(gòu)造一種多特征融合的檢測(cè)量,并以較低的檢測(cè)門(mén)限初步檢測(cè)出潛在艦船目標(biāo)。最后,將潛在艦船目標(biāo)與生成的艦船模板一一匹配來(lái)剔除虛警。通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了所提方法對(duì)升低可觀測(cè)艦船目標(biāo)的檢測(cè)性能的改善。
陳浩[10]（2019）在《基于移動(dòng)聲源的有源隔聲窗控制系統(tǒng)研究》文中研究表明噪聲問(wèn)題的主流解決方法是從噪聲的傳播路徑入手進(jìn)行阻斷,即吸聲隔聲等傳統(tǒng)被動(dòng)降噪技術(shù)。經(jīng)過(guò)多年的發(fā)展和應(yīng)用,傳統(tǒng)降噪技術(shù)對(duì)高頻噪聲具有很好的降噪效果,但是存在著對(duì)低頻噪聲降噪效果差的缺點(diǎn)。有源降噪技術(shù)是基于電子控制及信號(hào)處理的新興降噪技術(shù),其對(duì)低頻噪聲降噪效果好的優(yōu)點(diǎn)使其得到了廣泛的研究和應(yīng)用。有源降噪技術(shù)的核心是自適應(yīng)算法,本文對(duì)FXLMS算法進(jìn)行了理論推導(dǎo)并進(jìn)行性能分析。通過(guò)建立Simulink仿真模型對(duì)FXLMS算法進(jìn)行仿真分析,研究算法性能隨各參數(shù)變化而呈現(xiàn)的規(guī)律?；诂F(xiàn)有的一種計(jì)算量少的變步長(zhǎng)算法,針對(duì)其存在的穩(wěn)態(tài)誤差較大的問(wèn)題提出新的變步長(zhǎng)關(guān)系式,對(duì)現(xiàn)有的算法進(jìn)行改進(jìn)以提高算法的自適應(yīng)性能。仿真結(jié)果表明,改進(jìn)算法以更快的速度達(dá)到收斂狀態(tài),并且較改進(jìn)前算法明顯降低了穩(wěn)態(tài)失調(diào)量。通過(guò)在半消聲室和混響室搭建單通道有源隔聲窗控制系統(tǒng),完成了改進(jìn)算法的C語(yǔ)言編程和調(diào)試并驗(yàn)證了算法的實(shí)際消聲性能。實(shí)驗(yàn)結(jié)果表明,單通道有源隔聲窗控制系統(tǒng)對(duì)選擇的200-800Hz的單頻噪聲源和300+500Hz、500+700Hz混合噪聲源的降噪效果明顯,降噪量達(dá)到了4.0-20.5 dB（A）?；趩瓮ǖ烙性锤袈暣翱刂葡到y(tǒng)的實(shí)驗(yàn)基礎(chǔ),針對(duì)移動(dòng)噪聲源在半消聲室和混響室搭建多通道有源隔聲窗控制系統(tǒng)進(jìn)行降噪實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,多通道有源隔聲窗控制系統(tǒng)對(duì)選擇的500Hz單頻移動(dòng)噪聲源降噪效果明顯,四個(gè)通道的總噪聲降噪量達(dá)到了 6.9-13.0 dB（A）,移動(dòng)聲源移動(dòng)過(guò)程中選取三個(gè)位置點(diǎn)的瞬時(shí)降噪量達(dá)到了 6.2-23.3 dB（A）。
二、單通道的精彩——兩大主流單通道系統(tǒng)對(duì)比測(cè)試（論文開(kāi)題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫(xiě)法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、單通道的精彩——兩大主流單通道系統(tǒng)對(duì)比測(cè)試（論文提綱范文）
（1）高速光子模數(shù)轉(zhuǎn)換技術(shù)及其集成化研究進(jìn)展（論文提綱范文）
| 0 引言 |
| 1 光子模數(shù)轉(zhuǎn)換技術(shù)分類與簡(jiǎn)介 |
| 2 并行解復(fù)用光子模數(shù)轉(zhuǎn)換技術(shù)研究 |
| 2.1 光子采樣時(shí)鐘的設(shè)計(jì)和優(yōu)化技術(shù)研究 |
| 2.2 并行解復(fù)用模塊設(shè)計(jì)與優(yōu)化技術(shù)研究 |
| 2.3 通道失配產(chǎn)生原理與抑制技術(shù)研究 |
| 2.4 光子模數(shù)轉(zhuǎn)換系統(tǒng)中的時(shí)間抖動(dòng)及其優(yōu)化 |
| 2.5 光子模數(shù)轉(zhuǎn)換技術(shù)的應(yīng)用研究 |
| 3 集成光子模數(shù)轉(zhuǎn)換技術(shù)進(jìn)展與挑戰(zhàn) |
| 4 總結(jié) |
（2）基于深度神經(jīng)網(wǎng)絡(luò)的單通道語(yǔ)音增強(qiáng)算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 語(yǔ)音增強(qiáng)背景與意義 |
| 1.2 語(yǔ)音增強(qiáng)研究現(xiàn)狀 |
| 1.3 主要研究?jī)?nèi)容 |
| 1.4 論文章節(jié)安排 |
| 第二章 傳統(tǒng)語(yǔ)音增強(qiáng)模型研究 |
| 2.1 語(yǔ)音信號(hào)和噪聲信號(hào) |
| 2.1.1 語(yǔ)音信號(hào)特性 |
| 2.1.2 聽(tīng)覺(jué)感知特性 |
| 2.1.3 噪聲特性 |
| 2.2 傳統(tǒng)語(yǔ)音增強(qiáng)方法 |
| 2.2.1 譜減法 |
| 2.2.2 維納濾波法 |
| 2.2.3 基于最小均方誤差估計(jì)法 |
| 2.2.4 實(shí)驗(yàn)仿真對(duì)比分析 |
| 2.3 語(yǔ)音質(zhì)量評(píng)價(jià)方法 |
| 2.3.1 主觀評(píng)價(jià) |
| 2.3.2 客觀評(píng)價(jià) |
| 2.4 本章小結(jié) |
| 第三章 基于深度學(xué)習(xí)框架的語(yǔ)音增強(qiáng)研究 |
| 3.1 訓(xùn)練數(shù)據(jù) |
| 3.2 特征提取 |
| 3.3 訓(xùn)練目標(biāo) |
| 3.3.1 基于掩蔽的訓(xùn)練目標(biāo) |
| 3.3.2 基于映射的訓(xùn)練目標(biāo) |
| 3.4 增強(qiáng)模型 |
| 3.4.1 淺層模型 |
| 3.4.2 深層模型 |
| 3.5 本章小結(jié) |
| 第四章 一種優(yōu)化損失函數(shù)的語(yǔ)音增強(qiáng)算法 |
| 4.1 一種優(yōu)化損失函數(shù)的語(yǔ)音增強(qiáng)方法 |
| 4.1.1 基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)方法 |
| 4.1.2 基于優(yōu)化損失函數(shù)的語(yǔ)音增強(qiáng)算法 |
| 4.2 實(shí)驗(yàn)設(shè)置 |
| 4.2.1 數(shù)據(jù)集及參數(shù)設(shè)置 |
| 4.2.2 評(píng)價(jià)結(jié)果與分析 |
| 4.2.3 語(yǔ)譜圖分析 |
| 4.3 本章小結(jié) |
| 第五章 結(jié)合優(yōu)化U-Net和殘差網(wǎng)絡(luò)的單通道語(yǔ)音增強(qiáng)算法 |
| 5.1 提出的Residual-U-Net語(yǔ)音增強(qiáng)方法 |
| 5.1.1 自編碼器結(jié)構(gòu) |
| 5.1.2 U-Net網(wǎng)絡(luò)結(jié)構(gòu) |
| 5.1.3 殘差網(wǎng)絡(luò) |
| 5.1.4 Residual-U-Net網(wǎng)絡(luò) |
| 5.2 實(shí)驗(yàn)設(shè)置 |
| 5.2.1 數(shù)據(jù)集及參數(shù)設(shè)置 |
| 5.2.2 結(jié)果與分析 |
| 5.2.3 語(yǔ)譜圖比較 |
| 5.3 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀學(xué)位期間的研究成果 |
（3）基于智能算法的車內(nèi)路噪多通道主動(dòng)控制技術(shù)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.2 車內(nèi)噪聲特性分析 |
| 1.3 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3.1 車內(nèi)噪聲控制技術(shù) |
| 1.3.2 車內(nèi)噪聲主動(dòng)控制研究概況 |
| 1.3.3 車內(nèi)路噪主動(dòng)控制技術(shù)研究現(xiàn)狀 |
| 1.4 本文主要研究?jī)?nèi)容 |
| 第2章 多通道噪聲主動(dòng)控制系統(tǒng)結(jié)構(gòu)與算法 |
| 2.1 噪聲主動(dòng)控制理論基礎(chǔ) |
| 2.1.1 噪聲主動(dòng)控制聲學(xué)機(jī)理 |
| 2.1.2 噪聲主動(dòng)控制系統(tǒng)結(jié)構(gòu) |
| 2.2 噪聲主動(dòng)控制算法 |
| 2.2.1 自適應(yīng)濾波器 |
| 2.2.2 最小均方(LMS)算法 |
| 2.2.3 LMS算法性能分析 |
| 2.2.4 濾波-X LMS(FXLMS)算法 |
| 2.3 多通道噪聲主動(dòng)控制算法 |
| 2.3.1 多通道系統(tǒng)次級(jí)聲通道辨識(shí) |
| 2.3.2 多通道FXLMS算法推導(dǎo) |
| 2.4 本章小結(jié) |
| 第3章 基于試驗(yàn)的車內(nèi)路噪特性分析 |
| 3.1 車內(nèi)路噪測(cè)試試驗(yàn) |
| 3.1.1 測(cè)試內(nèi)容 |
| 3.1.2 測(cè)試設(shè)備及試驗(yàn)條件 |
| 3.1.3 傳感器測(cè)點(diǎn)布置 |
| 3.1.4 測(cè)試步驟 |
| 3.2 試驗(yàn)數(shù)據(jù)分析與處理 |
| 3.2.1 數(shù)據(jù)預(yù)處理 |
| 3.2.2 車內(nèi)路噪特性分析 |
| 3.3 多重相干分析 |
| 3.3.1 多重相干法基本理論 |
| 3.3.2 多重相干分析 |
| 3.4 車內(nèi)路噪多通道主動(dòng)控制策略 |
| 3.5 基于神經(jīng)網(wǎng)絡(luò)的車內(nèi)路噪辨識(shí) |
| 3.5.1 Elman神經(jīng)網(wǎng)絡(luò)模型的建立 |
| 3.5.2 訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò) |
| 3.6 本章小結(jié) |
| 第4章 車內(nèi)路噪多通道主動(dòng)控制系統(tǒng)建模與仿真 |
| 4.1 多通道控制系統(tǒng)次級(jí)聲通道建模與仿真 |
| 4.1.1 次級(jí)聲通道辨識(shí)模型的搭建 |
| 4.1.2 控制系統(tǒng)參數(shù)優(yōu)化仿真 |
| 4.1.3 次級(jí)聲通道辨識(shí)的仿真分析 |
| 4.2 多通道噪聲主動(dòng)控制系統(tǒng)建模與仿真 |
| 4.2.1 多通道噪聲主動(dòng)控制系統(tǒng)建模 |
| 4.2.2 多通道噪聲主動(dòng)控制系統(tǒng)仿真分析 |
| 4.3 車內(nèi)路噪多通道主動(dòng)控制系統(tǒng)建模與仿真 |
| 4.3.1 車內(nèi)路噪信號(hào)辨識(shí) |
| 4.3.2 車內(nèi)路噪多通道主動(dòng)控制系統(tǒng)建模 |
| 4.3.3 車內(nèi)路噪多通道主動(dòng)控制系統(tǒng)仿真分析 |
| 4.4 本章小結(jié) |
| 第5章 車內(nèi)路噪多通道主動(dòng)控制試驗(yàn) |
| 5.1 硬件在環(huán)仿真平臺(tái)設(shè)計(jì)與搭建 |
| 5.1.1 試驗(yàn)平臺(tái)設(shè)計(jì) |
| 5.1.2 試驗(yàn)儀器與設(shè)備 |
| 5.2 車內(nèi)路噪主動(dòng)控制系統(tǒng)建模與仿真試驗(yàn) |
| 5.3 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
（4）青藏鐵路沿線不同深度凍土溫度分布式監(jiān)測(cè)系統(tǒng)設(shè)計(jì)（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 研究?jī)?nèi)容和章節(jié)安排 |
| 1.3.1 研究?jī)?nèi)容 |
| 1.3.2 章節(jié)安排 |
| 第二章 分布式64點(diǎn)不同深度凍土溫度監(jiān)測(cè)分析 |
| 2.1 凍土的水熱物理特性 |
| 2.2 溫度傳感器選擇、測(cè)試與封裝 |
| 2.3 不同深度的溫度模擬信號(hào)有線傳輸 |
| 2.3.1 多通道信號(hào)傳輸技術(shù) |
| 2.3.2 復(fù)用通道信號(hào)傳輸技術(shù) |
| 2.4 多通道與單通道多點(diǎn)凍土溫度監(jiān)測(cè)系統(tǒng)設(shè)計(jì)的必要性和可行性分析 |
| 2.5 本章小結(jié) |
| 第三章 分布式64通道凍土溫度監(jiān)測(cè)系統(tǒng)設(shè)計(jì) |
| 3.1 系統(tǒng)功能與技術(shù)指標(biāo) |
| 3.1.1 系統(tǒng)功能 |
| 3.1.2 技術(shù)指標(biāo) |
| 3.1.3 系統(tǒng)整體框架 |
| 3.2 硬件設(shè)計(jì) |
| 3.2.1 64通道熱敏電阻分布模型 |
| 3.2.2 四線制熱敏電阻電壓監(jiān)測(cè)方法 |
| 3.2.3 64通道凍土溫度信號(hào)切換電路 |
| 3.2.3.1 64通道控制方法 |
| 3.2.3.2 通道切換電路設(shè)計(jì) |
| 3.2.4 電源設(shè)計(jì) |
| 3.3 軟件設(shè)計(jì) |
| 3.3.1 64通道凍土監(jiān)測(cè)系統(tǒng)軟件總體設(shè)計(jì) |
| 3.3.2 40路繼電器開(kāi)關(guān)控制電路程序設(shè)計(jì) |
| 3.3.3 凍土溫度數(shù)據(jù)校正方法及程序設(shè)計(jì) |
| 3.3.3.1 凍土溫度數(shù)據(jù)校正方法 |
| 3.3.3.2 溫度數(shù)據(jù)校正方法程序設(shè)計(jì) |
| 3.4 本章小結(jié) |
| 第四章 分布式單通道凍土溫度監(jiān)測(cè)系統(tǒng)設(shè)計(jì) |
| 4.1 系統(tǒng)功能與技術(shù)指標(biāo) |
| 4.1.1 系統(tǒng)功能 |
| 4.1.2 技術(shù)指標(biāo) |
| 4.1.3 系統(tǒng)整體框架 |
| 4.2 硬件設(shè)計(jì) |
| 4.2.1 單通道熱敏電阻采集群模型 |
| 4.2.2 64路凍土溫度電壓調(diào)制電路 |
| 4.2.3 二階乘法混頻電路 |
| 4.2.3.1 465kHz本地振蕩器 |
| 4.2.3.2 中心頻率465kHz帶通濾波器 |
| 4.3 軟件設(shè)計(jì) |
| 4.3.1 單通道凍土溫度監(jiān)測(cè)系統(tǒng)軟件總體設(shè)計(jì) |
| 4.3.2 程控濾波器濾波程序設(shè)計(jì) |
| 4.4 本章小結(jié) |
| 第五章 64通道與單通道凍土溫度監(jiān)測(cè)系統(tǒng)測(cè)試 |
| 5.1 系統(tǒng)測(cè)試 |
| 5.1.1 系統(tǒng)測(cè)試平臺(tái) |
| 5.1.2 模擬凍土環(huán)境下系統(tǒng)性能測(cè)試 |
| 5.1.2.1 64通道凍土溫度監(jiān)測(cè)系統(tǒng)性能測(cè)試 |
| 5.1.2.2 單通道凍土溫度監(jiān)測(cè)系統(tǒng)性能測(cè)試 |
| 5.1.2.3 兩個(gè)系統(tǒng)性能對(duì)比分析 |
| 5.1.2.4 與現(xiàn)有多通道溫度采集器的性能對(duì)比 |
| 5.2 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)介 |
（5）基于圖像邊緣保持濾波技術(shù)的語(yǔ)音增強(qiáng)算法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 語(yǔ)音增強(qiáng)的研究背景與意義 |
| 1.2 單通道語(yǔ)音增強(qiáng)的發(fā)展歷史和研究概況 |
| 1.2.1 語(yǔ)音增強(qiáng)與語(yǔ)譜圖 |
| 1.2.2 語(yǔ)音增強(qiáng)的分類 |
| 1.2.3 單通道語(yǔ)音增強(qiáng)的國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 本文的研究動(dòng)機(jī)與目的 |
| 1.4 論文主要工作與結(jié)構(gòu)安排 |
| 第二章 單通道語(yǔ)音增強(qiáng)技術(shù)基礎(chǔ) |
| 2.1 語(yǔ)音及噪聲信號(hào)的聲學(xué)基礎(chǔ)特性 |
| 2.1.1 語(yǔ)音特性 |
| 2.1.2 噪聲特性 |
| 2.1.3 人耳感知特性 |
| 2.2 傳統(tǒng)語(yǔ)音增強(qiáng)方法介紹 |
| 2.2.1 譜減法 |
| 2.2.2 維納濾波法 |
| 2.2.3 最小均方誤差估計(jì)法 |
| 2.2.4 子空間語(yǔ)音增強(qiáng)算法 |
| 2.3 噪聲估計(jì)方法 |
| 2.3.1 基于平穩(wěn)環(huán)境下的噪聲估計(jì) |
| 2.3.2 基于非平穩(wěn)環(huán)境下的噪聲估計(jì) |
| 2.4 本章小結(jié) |
| 第三章 基于雙邊語(yǔ)譜圖濾波的OMLSA語(yǔ)音增強(qiáng)算法 |
| 3.1 引言 |
| 3.2 改進(jìn)的OMLSA語(yǔ)音增強(qiáng)算法 |
| 3.2.1 系統(tǒng)介紹 |
| 3.2.2 MMSE-LSA算法譜增益 |
| 3.2.3 改進(jìn)的OMLSA算法 |
| 3.3 雙邊語(yǔ)譜圖濾波 |
| 3.3.1 語(yǔ)譜圖預(yù)處理 |
| 3.3.2 雙邊語(yǔ)譜圖濾波 |
| 3.4 性能評(píng)估 |
| 3.4.1 客觀測(cè)評(píng) |
| 3.4.2 時(shí)域波形和語(yǔ)譜圖 |
| 3.5 本章小結(jié) |
| 第四章 基于聽(tīng)覺(jué)掩蔽效應(yīng)的引導(dǎo)語(yǔ)譜圖濾波語(yǔ)音增強(qiáng)算法 |
| 4.1 引言 |
| 4.2 引導(dǎo)圖像濾波 |
| 4.2.1 局部線性模型 |
| 4.2.2 引導(dǎo)濾波原理簡(jiǎn)介 |
| 4.3 GSF輸入獲取及語(yǔ)譜圖像化處理 |
| 4.4 基于聽(tīng)覺(jué)掩蔽效應(yīng)的引導(dǎo)語(yǔ)譜圖濾波語(yǔ)音增強(qiáng) |
| 4.4.1 引導(dǎo)語(yǔ)譜圖濾波算法 |
| 4.4.2 語(yǔ)譜圖的增強(qiáng) |
| 4.4.3 時(shí)域信號(hào)的恢復(fù) |
| 4.5 算法性能評(píng)估 |
| 4.5.1 實(shí)驗(yàn)條件 |
| 4.5.2 參數(shù)選取分析 |
| 4.5.3 客觀評(píng)價(jià)結(jié)果及性能分析 |
| 4.6 本章小結(jié) |
| 第五章 基于語(yǔ)譜圖降噪卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)方法 |
| 5.1 引言 |
| 5.2 SDNCNN數(shù)學(xué)模型 |
| 5.2.1 SDn CNN模型相關(guān)模塊原理 |
| 5.2.2 SDn CNN模型的特征獲取 |
| 5.3 基于SDNCNN模型的語(yǔ)音增強(qiáng)算法 |
| 5.3.1 系統(tǒng)介紹 |
| 5.3.2 SDn CNN網(wǎng)絡(luò)模型 |
| 5.4 實(shí)驗(yàn)和結(jié)果分析 |
| 5.4.1 實(shí)驗(yàn)準(zhǔn)備 |
| 5.4.2 模型條件設(shè)置 |
| 5.4.3 實(shí)驗(yàn)分析和性能評(píng)估 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 工作展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間個(gè)人學(xué)術(shù)成果 |
| 致謝 |
（6）基于非負(fù)矩陣分解的語(yǔ)音增強(qiáng)算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究的意義與背景 |
| 1.2 語(yǔ)音增強(qiáng)算法的國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 基于非負(fù)矩陣分解的語(yǔ)音增強(qiáng)算法研究現(xiàn)狀 |
| 1.2.2 多通道語(yǔ)音增強(qiáng)算法研究現(xiàn)狀 |
| 1.2.3 基于低延遲的時(shí)實(shí)語(yǔ)音增強(qiáng)算法研究現(xiàn)狀 |
| 1.3 論文內(nèi)容安排 |
| 第二章 語(yǔ)音增強(qiáng)基礎(chǔ) |
| 2.1 引言 |
| 2.2 語(yǔ)音信號(hào)處理的基本知識(shí) |
| 2.2.1 短時(shí)傅里葉變換 |
| 2.2.2 語(yǔ)音信號(hào)時(shí)頻分析 |
| 2.2.3 語(yǔ)音質(zhì)量評(píng)估準(zhǔn)則 |
| 2.3 單通道語(yǔ)音增強(qiáng)的主要算法 |
| 2.3.1 基本語(yǔ)音信號(hào)模型 |
| 2.3.2 譜減法 |
| 2.3.3 維納濾波法 |
| 2.3.4 基于MMSE統(tǒng)計(jì)模型法 |
| 2.3.5 子空間法 |
| 2.4 非負(fù)矩陣分解 |
| 2.4.1 問(wèn)題描述 |
| 2.4.2 NMF算法特性 |
| 2.4.3 NMF算法的初始化和收斂性 |
| 2.4.4 NMF算法的改進(jìn)和優(yōu)化 |
| 2.5 本章小結(jié) |
| 第三章 基于多通道的NMF語(yǔ)音增強(qiáng)算法 |
| 3.1 引言 |
| 3.2 麥克風(fēng)陣列模式 |
| 3.2.1 近場(chǎng)模型和遠(yuǎn)場(chǎng)模型 |
| 3.2.2 理想模型和實(shí)際模型 |
| 3.3 麥克風(fēng)陣列聲源定位法 |
| 3.4 基于GCC-NMF的語(yǔ)音增強(qiáng)算法 |
| 3.4.1 非負(fù)矩陣分解 |
| 3.4.2 GCC-NMF |
| 3.4.3 系數(shù)掩碼 |
| 3.4.4 GCC-NMF語(yǔ)音增強(qiáng)系統(tǒng) |
| 3.5 本章小結(jié) |
| 第四章 基于實(shí)時(shí)性的GCC-NMF語(yǔ)音增強(qiáng)算法 |
| 4.1 引言 |
| 4.2 字典預(yù)學(xué)習(xí) |
| 4.3 激活系數(shù) |
| 4.4 在線定位 |
| 4.5 實(shí)驗(yàn)測(cè)試與結(jié)果分析 |
| 4.5.1 實(shí)驗(yàn)參數(shù)設(shè)置 |
| 4.6 本章小結(jié) |
| 第五章 基于低延遲的實(shí)時(shí)GCC-NMF語(yǔ)音增強(qiáng)算法 |
| 5.1 引言 |
| 5.2 STFT和低延遲 |
| 5.3 非對(duì)稱的STFT窗口化方法 |
| 5.4 實(shí)驗(yàn)測(cè)試與結(jié)果分析 |
| 5.4.1 實(shí)驗(yàn)參數(shù)設(shè)置 |
| 5.4.2 結(jié)果與分析 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀學(xué)位期間的研究成果 |
（7）TD-LTE室內(nèi)分布系統(tǒng)覆蓋優(yōu)化的研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 課題的研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文的主要內(nèi)容 |
| 第二章 TD-LTE室內(nèi)分布系統(tǒng)介紹 |
| 2.1 TD-LTE室內(nèi)分布系統(tǒng)介紹 |
| 2.1.1 TD-LTE室外信號(hào)覆蓋室內(nèi)的局限性 |
| 2.1.2 TD-LTE室內(nèi)分布系統(tǒng) |
| 2.2 TD-LTE室內(nèi)分布系統(tǒng)組網(wǎng) |
| 2.3 TD-LTE室內(nèi)分布系統(tǒng)天線設(shè)計(jì) |
| 2.4 本章小結(jié) |
| 第三章 TD-LTE室內(nèi)分布系統(tǒng)覆蓋優(yōu)化關(guān)鍵分析 |
| 3.1 設(shè)備配置參數(shù) |
| 3.2 TD-LTE室內(nèi)分布系統(tǒng)覆蓋性能 |
| 3.2.1 拉遠(yuǎn)能力 |
| 3.2.2 覆蓋能力 |
| 3.3 室內(nèi)工程建設(shè)性能比較 |
| 3.3.1 MIMO通道功率差對(duì)性能影響 |
| 3.3.2 單/雙極化天線性能比較 |
| 3.3.3 MIMO天線間距對(duì)性能影響 |
| 3.4 TD-LTE與異系統(tǒng)相互影響 |
| 3.4.1 TD-LTE與2G/3G系統(tǒng)相互影響 |
| 3.4.2 TD-LTE與 Wlan系統(tǒng)相互影響 |
| 3.5 室內(nèi)多小區(qū)組網(wǎng)性能分析 |
| 3.5.1 同層組網(wǎng)性能 |
| 3.5.2 異層組網(wǎng)性能 |
| 3.6 TD-LTE室內(nèi)分布系統(tǒng)優(yōu)化問(wèn)題排查相關(guān)方案探究 |
| 3.6.1 網(wǎng)絡(luò)器件普查及替換 |
| 3.6.2 室內(nèi)分布性能核查及整改優(yōu)化 |
| 3.7 TD-LTE室內(nèi)分布系統(tǒng)覆蓋優(yōu)化關(guān)鍵 |
| 3.8 本章小結(jié) |
| 第四章 TD-LTE室內(nèi)分布系統(tǒng)覆蓋優(yōu)化方案驗(yàn)證-安徽移動(dòng)TD-LTE室內(nèi)分布優(yōu)化案例 |
| 4.1 室內(nèi)分布系統(tǒng)網(wǎng)絡(luò)質(zhì)量評(píng)估體系 |
| 4.2 高重定向 |
| 4.2.1 優(yōu)化流程 |
| 4.2.2 流程分析 |
| 4.2.3 典型案例 |
| 4.3 CSFB低回落 |
| 4.3.1 優(yōu)化流程 |
| 4.3.2 流程分析 |
| 4.3.3 典型案例 |
| 4.4 零流量 |
| 4.4.1 優(yōu)化流程 |
| 4.4.2 流程分析 |
| 4.4.3 典型案例 |
| 4.5 室內(nèi)分布小區(qū)參數(shù)優(yōu)化 |
| 4.5.1 功控參數(shù) |
| 4.5.2 原理 |
| 4.5.3 涉及參數(shù) |
| 4.5.4 驗(yàn)證方案 |
| 4.5.5 驗(yàn)證結(jié)果與結(jié)論 |
| 4.6 基于室內(nèi)分布泄漏的異頻切換 |
| 4.6.1 測(cè)試情況 |
| 4.6.2 測(cè)試結(jié)論 |
| 4.7 室內(nèi)分布經(jīng)緯度異常 |
| 4.7.1 CSFB回落與ANR背景 |
| 4.7.2 CSFB超遠(yuǎn)回落分析 |
| 4.7.3 異頻切換指標(biāo)分析 |
| 4.7.4 ANR自動(dòng)鄰區(qū)優(yōu)化分析 |
| 4.7.5 驗(yàn)證結(jié)果與結(jié)論 |
| 4.8 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 全文總結(jié) |
| 5.2 存在的問(wèn)題和展望 |
| 參考文獻(xiàn) |
| 附錄1 |
| 附錄2 攻讀碩士學(xué)位期間撰寫(xiě)的論文 |
| 附錄3 攻讀碩士學(xué)位期間申請(qǐng)的專利 |
| 附錄4 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
| 致謝 |
（8）面向綠色制造的微量潤(rùn)滑技術(shù)在現(xiàn)代汽車工業(yè)中的應(yīng)用（論文提綱范文）
| 微量潤(rùn)滑技術(shù)概述 |
| 1.概況 |
| 2.優(yōu)勢(shì) |
| 微量潤(rùn)滑系統(tǒng)及其工作原理 |
| 1.微量潤(rùn)滑系統(tǒng)的分類 |
| 2.產(chǎn)品化的微量潤(rùn)滑裝置 |
| 微量潤(rùn)滑技術(shù)在發(fā)動(dòng)機(jī)曲軸斜油孔加工中的應(yīng)用 |
| 微量潤(rùn)滑技術(shù)在鋁合金缸體/缸蓋加工過(guò)程中的應(yīng)用 |
| 1.概述 |
| 2.實(shí)施MQL試驗(yàn)時(shí)的切削條件 |
| 3.切削試驗(yàn)的工作流程、數(shù)據(jù)分析及效果 |
| 結(jié)語(yǔ) |
（9）多通道SAR復(fù)圖像域慢速運(yùn)動(dòng)目標(biāo)多特征檢測(cè)方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號(hào)對(duì)照表 |
| 縮略語(yǔ)對(duì)照表 |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 動(dòng)目標(biāo)檢測(cè)技術(shù)研究現(xiàn)狀 |
| 1.2.1 雜波抑制技術(shù) |
| 1.2.2 動(dòng)目標(biāo)檢測(cè)方法 |
| 1.3 動(dòng)目標(biāo)檢測(cè)關(guān)鍵問(wèn)題 |
| 1.4 研究?jī)?nèi)容及章節(jié)安排 |
| 第二章 多通道SAR復(fù)圖像域動(dòng)目標(biāo)檢測(cè)信號(hào)模型 |
| 2.1 引言 |
| 2.2 SAR復(fù)圖像域雜波抑制處理 |
| 2.2.1 動(dòng)目標(biāo)檢測(cè)信號(hào)模型 |
| 2.2.2 通道間信號(hào)去相關(guān) |
| 2.2.3 目標(biāo)導(dǎo)向矢量失配 |
| 2.2.4 動(dòng)目標(biāo)檢測(cè)盲速區(qū) |
| 2.3 SAR沿航跡干涉處理 |
| 2.3.1 復(fù)干涉圖統(tǒng)計(jì)特性 |
| 2.3.2 干涉幅度SCR增益 |
| 2.4 本章小結(jié) |
| 第三章 非均勻背景下基于濾波響應(yīng)損失的兩步檢測(cè)方法 |
| 3.1 引言 |
| 3.2 所提方法描述 |
| 3.2.1 幅度檢測(cè) |
| 3.2.2 濾波響應(yīng)損失檢測(cè) |
| 3.3 統(tǒng)計(jì)特性分析 |
| 3.3.1 幅度檢測(cè)統(tǒng)計(jì)特性 |
| 3.3.2 濾波損失檢測(cè)統(tǒng)計(jì)特性 |
| 3.3.3 聯(lián)合檢測(cè)統(tǒng)計(jì)特性 |
| 3.3.4 CFAR檢測(cè)實(shí)現(xiàn)流程 |
| 3.4 仿真實(shí)驗(yàn)與實(shí)測(cè)數(shù)據(jù)處理 |
| 3.4.1 仿真實(shí)驗(yàn)結(jié)果與分析 |
| 3.4.2 實(shí)測(cè)數(shù)據(jù)處理驗(yàn)證 |
| 3.5 本章小結(jié) |
| 第四章 干涉幅度與相位自適應(yīng)融合的無(wú)盲速艦船檢測(cè)方法 |
| 4.1 引言 |
| 4.2 典型ATI-SAR艦船檢測(cè)方法適用性分析 |
| 4.2.1 干涉幅度與相位級(jí)聯(lián)檢測(cè)器 |
| 4.2.2 干涉幅度與相位結(jié)合檢測(cè)器 |
| 4.2.3 干涉域凹口濾波檢測(cè)方法 |
| 4.2.4 典型ATI-SAR艦船檢測(cè)方法對(duì)比 |
| 4.3 所提方法描述 |
| 4.3.1 干涉雙邊濾波預(yù)處理 |
| 4.3.2 檢測(cè)準(zhǔn)則 |
| 4.3.3 優(yōu)勢(shì)討論 |
| 4.3.4 統(tǒng)計(jì)特性 |
| 4.3.5 實(shí)現(xiàn)流程 |
| 4.4 實(shí)測(cè)數(shù)據(jù)處理實(shí)驗(yàn) |
| 4.4.1 統(tǒng)計(jì)特性驗(yàn)證 |
| 4.4.2 實(shí)測(cè)數(shù)據(jù)檢測(cè)結(jié)果 |
| 4.4.3 檢測(cè)性能對(duì)比分析 |
| 4.5 本章小結(jié) |
| 第五章 艦船尾跡特征輔助的低可觀測(cè)艦船目標(biāo)檢測(cè)方法 |
| 5.1 引言 |
| 5.2 信號(hào)模型 |
| 5.3 尾跡特征輔助的艦船目標(biāo)檢測(cè)框架 |
| 5.4 運(yùn)動(dòng)艦船目標(biāo)尾跡區(qū)域檢測(cè) |
| 5.4.1 ATI-SAR系統(tǒng)下尾跡區(qū)域像素點(diǎn)檢測(cè)方法 |
| 5.4.2 基于空間距離與速度一致性的像素點(diǎn)聚類 |
| 5.4.3 仿真實(shí)驗(yàn)結(jié)果與分析 |
| 5.5 待檢測(cè)艦船目標(biāo)模板生成與匹配檢測(cè) |
| 5.5.1 不同尾跡波分離與艦船參數(shù)反演 |
| 5.5.2 SAR圖像域艦船目標(biāo)位置模板 |
| 5.5.3 復(fù)干涉域艦船目標(biāo)ATI相位模板 |
| 5.5.4 所提方法的艦船檢測(cè)性能分析 |
| 5.6 仿真實(shí)驗(yàn)結(jié)果與分析 |
| 5.7 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 工作展望 |
| 附錄 |
| 附錄A穩(wěn)健的自適應(yīng)雜波抑制處理權(quán)矢量求解 |
| 附錄B正交投影與斜投影關(guān)于動(dòng)目標(biāo)功率估計(jì)的對(duì)比 |
| 附錄C SAR復(fù)圖像域信號(hào)徑向速度概率密度函數(shù)推導(dǎo) |
| 附錄D第四章所提艦船目標(biāo)檢測(cè)量概率密度函數(shù)推導(dǎo) |
| 附錄E非均勻背景下雜波加噪聲干涉圖分布參數(shù)估計(jì) |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)介 |
（10）基于移動(dòng)聲源的有源隔聲窗控制系統(tǒng)研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 有源隔聲窗控制系統(tǒng)國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國(guó)外研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.3 本論文的研究?jī)?nèi)容 |
| 2 有源隔聲窗控制系統(tǒng)理論研究 |
| 2.1 有源消聲控制原理 |
| 2.2 有源消聲控制系統(tǒng) |
| 2.2.1 有源消聲自適應(yīng)濾波器 |
| 2.2.2 有源消聲自適應(yīng)算法 |
| 2.2.3 FXLMS算法性能分析 |
| 2.2.4 次級(jí)通路辨識(shí) |
| 2.3 本章小結(jié) |
| 3 算法仿真分析與改進(jìn) |
| 3.1 FXLMS算法仿真建模 |
| 3.2 FXLMS算法性能仿真分析 |
| 3.2.1 聲源信號(hào)對(duì)算法性能影響 |
| 3.2.2 濾波器階數(shù)對(duì)算法性能影響 |
| 3.2.3 步長(zhǎng)對(duì)算法性能影響 |
| 3.3 算法改進(jìn) |
| 3.4 本章小結(jié) |
| 4 有源隔聲窗控制系統(tǒng)設(shè)計(jì) |
| 4.1 硬件系統(tǒng)設(shè)計(jì) |
| 4.1.1 信號(hào)處理芯片 |
| 4.1.2 系統(tǒng)配套模塊電路 |
| 4.1.3 單通道有源隔聲窗控制系統(tǒng)硬件總體設(shè)計(jì) |
| 4.1.4 多通道有源隔聲窗控制系統(tǒng)硬件總體設(shè)計(jì) |
| 4.2 軟件系統(tǒng)設(shè)計(jì) |
| 4.2.1 集成開(kāi)發(fā)環(huán)境簡(jiǎn)介 |
| 4.2.2 軟件功能模塊實(shí)現(xiàn) |
| 4.3 本章小結(jié) |
| 5 有源隔聲窗控制系統(tǒng)實(shí)驗(yàn)分析 |
| 5.1 單通道有源隔聲窗控制系統(tǒng)實(shí)驗(yàn) |
| 5.1.1 實(shí)驗(yàn)設(shè)計(jì)與布置 |
| 5.1.2 實(shí)驗(yàn)結(jié)果分析 |
| 5.2 多通道有源隔聲窗控制系統(tǒng)實(shí)驗(yàn) |
| 5.2.1 實(shí)驗(yàn)設(shè)計(jì)與布置 |
| 5.2.2 實(shí)驗(yàn)結(jié)果分析 |
| 5.3 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果 |
| 學(xué)位論文數(shù)據(jù)集 |
四、單通道的精彩——兩大主流單通道系統(tǒng)對(duì)比測(cè)試（論文參考文獻(xiàn)）
- [1]高速光子模數(shù)轉(zhuǎn)換技術(shù)及其集成化研究進(jìn)展[J]. 錢(qián)娜,周德福,秦睿恒,化世玉,鄧安逸,鄒衛(wèi)文. 半導(dǎo)體光電, 2022
- [2]基于深度神經(jīng)網(wǎng)絡(luò)的單通道語(yǔ)音增強(qiáng)算法研究[D]. 徐瑯. 江西理工大學(xué), 2021(01)
- [3]基于智能算法的車內(nèi)路噪多通道主動(dòng)控制技術(shù)研究[D]. 陳琪. 吉林大學(xué), 2020(01)
- [4]青藏鐵路沿線不同深度凍土溫度分布式監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[D]. 張金玉. 南京信息工程大學(xué), 2020(02)
- [5]基于圖像邊緣保持濾波技術(shù)的語(yǔ)音增強(qiáng)算法研究[D]. 顏霖煌. 廣州大學(xué), 2020(02)
- [6]基于非負(fù)矩陣分解的語(yǔ)音增強(qiáng)算法研究[D]. 王迎福. 江西理工大學(xué), 2020(01)
- [7]TD-LTE室內(nèi)分布系統(tǒng)覆蓋優(yōu)化的研究[D]. 周瑋. 南京郵電大學(xué), 2018(02)
- [8]面向綠色制造的微量潤(rùn)滑技術(shù)在現(xiàn)代汽車工業(yè)中的應(yīng)用[J]. 朱正德. 汽車工藝師, 2019(06)
- [9]多通道SAR復(fù)圖像域慢速運(yùn)動(dòng)目標(biāo)多特征檢測(cè)方法研究[D]. 田敏. 西安電子科技大學(xué), 2019(02)
- [10]基于移動(dòng)聲源的有源隔聲窗控制系統(tǒng)研究[D]. 陳浩. 北京交通大學(xué), 2019(12)
標(biāo)簽：主動(dòng)降噪論文; 系統(tǒng)仿真論文; 數(shù)字濾波論文; 數(shù)據(jù)濾波論文; 圖像濾波論文;