前言：中文期刊網精心挑選了卷積神經網絡的關鍵技術范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
卷積神經網絡的關鍵技術范文1
【關鍵詞】系統故障預測 模型 數據
現階段，針對系統故障預測方面的研究幾乎為零，傳統的做法一般主要是依靠科研人員通過人工分析采集到的數據，結合積累的經驗等進行簡單粗略的估計，而無法做到實際意義上的故障預測，且這類傳統的方法往往需要耗費巨大的人力、物力成本，同時預測的周期短、精度差、準確性低，可靠性和實時性得不到保證，往往無法得到令人滿意的效果。
為實現真正意義上的系統的故障預測，同時克服上述傳統方法的弊端，針對高復雜度、高集成度的綜合系統，開展自主學習的故障預測技術研究具有極其重要的意義。該研究能夠進一步推動故障預測技術在復雜系統乃至航天等各領域內的實踐和應用，為進一步研究故障預測技術打下基礎。
1 故障預測的國內外研究現狀
關于故障預測方面的研究國外已有一定的成果，但其在許多領域的應用并不完善，而國內在這方面的研究尚處于起步和探索階段。
以系統運行各狀態為基礎，采用人工智能領域中深度置信網絡（DBN）高效的深度學習算法構建故障的預測模型，從而實現系統故障的有效預測。
國外率先對復雜系統進行故障預測研究是20世紀70年代Saeks等人，他們所研究的是系統中出現故障的征兆，由于這種征兆幅值很小，還沒有對系統造成破壞，所以很難用一般的方法辨別出，因此發展一直很緩慢，一度陷入困境。Khoshgoftaar等人在1992年提出了用神經網絡來訓練神經元進行軟件系統的故障測定，這種經過訓練的模型的優勢在于對故障的趨勢預測。2007年國際空間站的飛行控制委員會通過監測國際空間站上4個陀螺儀的若干參數提前數月預測和發現某個陀螺儀的失效故障，從而能夠及時切換以保障空間站的正常運行。
我國在故障預測方面的研究較晚，目前尚處于理論研究階段。如2003年重慶大學的孫才新院士及其課題組利用模糊數學中的灰色模型研究了電力系統故障的預測問題。2005年，南京理工大學的秦俊奇以大口徑火炮為研究對象，運用先進的動態模糊綜合評判理論和多Agent并行推理技術，在對火炮進行詳細故障分析的基礎上，對故障預測技術進行了系統的理論和應用研究并建立了相應的故障預測模型。近幾年PHM技術也受到了軍事及航天等領域越來越多的重視，北京航空航天大學可靠性工程研究所、航空643所、哈爾濱工業大學等研究機構從設備監控衰退規律、故障預測模型、健康管理技術等方面對PHM技術進行了較多跟蹤研究。
2 模型建立方法及需要解決的關鍵技術
2.1 模型建立方法
建立自主學習模型時，采用數據挖掘的方法對系統大量的歷史數據進行分析，同時并結合數據融合及維度變換設計特征集的分類器以提取和建立特征參數，建立其對應的特征指標參數體系，通過傳感器網絡采集獲得參數，并對原始數據進行預處理以提取出有效數據，再將有效數據作為深度學習的數據基礎，經過反復的訓練和學習，以建立相關的故障預測模型，再應用測試驗證系統進行反復驗證、調整，最終建立故障預測的學習模型。
2.2 建立學習模型的關鍵技術
2.2.1 系統特征參數體系的建立
針對某系統，依據一定的原則，利用主觀或客觀的方法建立相互獨立、能夠敏感反映整個系統的各項指標參數，即表征系統的特征集，如工作、性能、功能、環境等參數，常用的方法包括數據挖掘、基于貝葉斯理論的信息融合、多維度數據變換等。
2.2.2 通過機器自主深度學習建立相應的模型
研究和借鑒國內外關于深度學習、故障預測方面的理論和成果，尤其關注深度學習在預測及多特征量預測方面的應用，在此基礎上結合系統的特征參數、各類故障和非故障模式狀態的特點，提出一種深度學習算法，通過學習和訓練建立相應的故障預測模型，利用驗證系統和實際系統的應用數據，通過逐層反復學習和訓練設定模型的最優初始化參數，并以自頂向下的監督算法進行調整使得模型收斂，從而實現故障預測、深度學習與系統應用相結合。主要的自主學習技術包括卷積神經網絡、深度波爾茲曼機模型、深度置信網絡等。
2.2.3 多維度數據分析方法的研究
針對測試數據與監測數據的獨立性，擬采用貝葉斯方法對數據進行融合，建立一種基于異構空間的數據模型，再結合特征提取與特征抽象，對多維度數據進行分析。
3 總結
通過對現有數據的分析，提取故障特征信息，建立故障特征信息庫，構造一個多層的人工神經網絡模型，通過模型層次的分析獲得樣本的本質表示，結合故障注入的方法，提出故障注入的方案，利用故障注入驗證自主學習方法。
再結合多維度數分析方法，建立多維度數據模型，同樣利用故障注入技術，建立多維度數據的故障信息，通過狀態預測模型進行故障預測，結合注入的故障信息，對故障預測的結論進行反饋和確認。最終確立自主學習模型，達到系統故障預測的目的。
參考文獻
[1]朱大奇.航空電子設備故障診斷技術研究[D].南京：南京航空航天大學，2002：1-3.
[2]彭俊杰，洪炳，袁成軍.軟件實現的星載系統故障注入技術研究[J].哈爾濱工業大學學報，2004，36（07）：934-936.
[3]張寶珍.先進的診斷和預測技術[J].裝備質量，2001.
[4]Baroth E，Powers W T，Fox J.IVHM（integrated vehicle health management）techniques for future space vehicles[J].37thJoint Propulsion Conference & Exhibit，2001.
[5]鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展[J].中國圖像形象學報，2014（02）：175-184.
[6]郭麗麗，丁世飛.深度學習研究進展[J].計算機科學，2015，42（05）：28-33.
卷積神經網絡的關鍵技術范文2
關鍵詞：麥克風陣列，陣列信號處理，語音增強
（一）引言
在日常生活和工作中，語音通信是人與人之間互相傳遞信息溝通不可缺少的方式。近年來，雖然數據通信得到了迅速發展，但是語音通信仍然是現階段的主流，并且在通信行業中占主導地位。在語音通信中，語音信號不可避免地會受到來自周圍環境和傳輸媒介的外部噪聲、通信設備的內部噪聲及其他講話者的干擾。這些干擾共同作用，最終使聽者獲得的語音不是純凈的原始語音，而是被噪聲污染過的帶噪聲語音，嚴重影響了雙方之間的交流。
應用了陣列信號處理技術的麥克風陣列能夠充分利用語音信號的空時信息，具有靈活的波束控制、較高的空間分辨率、高的信號增益與較強的抗干擾能力等特點，逐漸成為強噪聲環境中語音增強的研究熱點。美國、德國、法國、意大利、日本、香港等國家和地區許多科學家都在開展這方面的研究工作，并且已經應用到一些實際的麥克風陣列系統中，這些應用包括視頻會議、語音識別、車載聲控系統、大型場所的記錄會議和助聽裝置等。
本文將介紹各種麥克風陣列語音增強算法的基本原理，并總結各個算法的特點及存在的局限性。
（二）常見麥克風陣列語音增強方法
1．基于固定波束形成的麥克風陣列語音增強
固定波束形成技術是最簡單最成熟的一種波束形成技術。論文大全，陣列信號處理。論文大全，陣列信號處理。1985年美國學者Flanagan提出采用延時-相加（Delay-and-Sum）波束形成方法進行麥克風陣列語音增強，該方法通過對各路麥克風接收到的信號添加合適的延時補償，使得各路輸出信號在某一方向上保持同步，使在該方向的入射信號獲得最大增益[1]。此方法易于實現，但要想獲取較高的噪聲抑制能力需要增加麥克風數目，并且對非相干噪聲沒有抑制能力，環境適應性差，因此，實際中很少單獨使用。后來出現的微分麥克風陣列（DifferentialMicrophone Arrays），超方向麥克風陣列（Superairective MicrophoneArrays）和固定頻率波束形成（Frequency-InvariantBeamformers）技術也屬于固定波束形成。
2．基于自適應波束形成器的麥克風陣列語音增強
自適應波束形成是現在廣泛使用的一類麥克風陣列語音增強方法。最早出現的自適應波束形成算法是1972年由Frost提出的線性約束最小方差（LinearlyConstrained Minimum Variance, LCMV）自適應波束形成器[2]。其基本思想是在某方向有用信號的增益一定的前提下，使陣列輸出信號的功率最小。在線性約束最小方差自適應波束形成器的基礎上，1982年Griffiths和Jim提出了廣義旁瓣消除器（GeneralizedSidelobe Canceller, GSC）[3]，成為了許多算法的基本框架（圖1）。
圖1 廣義旁瓣消除器的基本結構
廣義旁瓣消除器是麥克風陣列語音增強應用最廣泛的技術，帶噪聲的語音信號同時通過自適應通道和非自適應通道，自適應通道中的阻塞矩陣將有用信號濾除后產生僅包含多通道噪聲參考信號，自適應濾波器根據這個參考信號得到噪聲估計，最后由這個被估計的噪聲抵消非自適應通道中的噪聲分量，從而得到有用的純凈語音信號。
如果噪聲源的數目比麥克風數目少，自適應波束法能得到很好的性能。但是隨著干擾數目的增加和混響的增強，自適應濾波器的降噪性能會逐漸降低。
3．基于后置濾波的麥克風陣列語音增強
1988年Zelinski將維納濾波器應用在了麥克風陣列延時—相加波束形成的輸出端，進一步提高了語音信號的降噪效果，提出了基于后置濾波的麥克風陣列語音增強方法[4]（圖2）?；诤笾脼V波的方法在對非相干噪聲抑制方面，具有良好的效果，還能夠在一定程度上適應時變的聲學環境。它的基本原理是：假設各麥克風接收到的目標信號相同，接收到的噪聲信號獨立同分布，信號和噪聲不相關，根據噪聲特性，依據某一準則實時更新濾波器權系數，對所接收到數據進行濾波，從而達到語音增強的目的。
圖2 結合后置濾波的固定波束形成器
后置濾波方法存在以下不足：首先，算法的性能受到時延誤差的影響，使增強后的語音信號有一定失真。其次，該方法對方向性的強干擾抑制效果不佳。后置濾波方法極少單獨使用，常與其他方法聯合使用。文獻[5]研究了后置濾波和通用旁瓣對消器結合使用的問題。論文大全，陣列信號處理。
4．基于近場波束形成的麥克風陣列語音增強
當聲源位于麥克風陣列近場（即陣列的入射波是球面波）情況下，聲波的波前彎曲率不能被忽略，如果仍然把入射聲波作為平面波考慮，采用常規的波束形成方法來拾取語音信號，那么麥克風陣列系統輸出效果會很不理想。解決這個問題，最直接的方法就是根據聲源位置和近場聲學的特性，對入射聲波進行近場補償[6]，但是這種方法需要已知聲源位置，這在實際應用中難以是滿足。由于近場聲學的復雜性，目前有關近場波束形成麥克風陣列語音增強方法的研究相對較少。
5．基于子空間的麥克風陣列語音增強
子空間方法的基本思想是計算出信號的自相關矩陣或協方差矩陣，然后對其進行奇異值分解，將帶噪聲語音信號劃分為有用信號子空間和噪聲子空間，利用有用信號子空間對信號進行重構，從而得到增強后的信號。由Asano等提出的基于相干子空間的麥克風陣列語音增強方法是一種典型的子空間方法[7]。該方法首先將語音信號劃分到不同頻帶，然后在每個頻帶再利用空間信息，進行子空間處理。
基于子空間的麥克風陣列語音增強方法雖然降噪性受噪聲場是否相關影響較小，在相干和非相干噪聲場中均有一定的消噪效果，但是由于計算量較大，實現實時處理具有一定困難。
6．基于盲源分離的麥克風陣列語音增強
在很多實際應用中，信號源情況和信道的傳遞參數都很難獲取，盲源分離技術（BlindSource Separation, BSS）就是在這種需求下提出的。盲源分離是根據輸入源信號和干擾的統計特性，從傳感器陣列接收到的混合信號中提取出各個獨立分量的過程。法國學者Herault.J和Jutten.C在信源與信道先驗條件未知的情況下，利用人工神經網絡分離出了有用信號，開創了盲源分離的先河[8]。目前為止，已有許多學者將盲源分離技術應用于麥克風陣列語音增強。論文大全，陣列信號處理。
經過二十多年來國內外學者的不斷深入研究，盲源分離技術已經取得了巨大的進步和發展，對盲信號分離問題的研究己經從瞬時混迭模型擴展成為線性卷積模型和非線性瞬時混迭模型，但是由于盲源分離仍屬一個新興的研究方向，理論上還不成熟，這類方法一般運算量大，全局收斂性和漸進穩定性有待加強，距離實際應用有一段距離。
7．其他方法
90年代以來，一些學者將各種信號處理算法與麥克風陣列技術相融合，各種語音增強算法不斷涌現，諸如倒譜分析、小波變換、神經網絡、語音模型等方法已經在語音信號處理領域得到應用。雖然這些方法從不同角度對語音增強系統的性能進行了不同程度的改善，但大多計算量龐大，不適合時變性較強的聲學環境，而且在需要實時處理的場合，對硬件的要求也將大大提高。論文大全，陣列信號處理。
近些年國內一些高校，如清華大學，大連理工大學，電子科技大學，西安電子科技大學等也做了一些關于麥克風陣列技術的研究工作，取得了一定的研究成果。張麗艷等提出一種改進的麥克風陣列倒譜域語音去混響方法，改善混響環境下的語音質量[9]。崔瑋瑋等提出一種基于一階差分麥克風陣列的實時噪聲譜估計和抵消方法，提高輸出信噪比的同時降低了計算量[10]。曾慶寧等將陣列交叉串擾信號的自適應噪聲抵消方法應用于麥克風陣列語音增強，適用于在多種噪聲環境中實時實現[11]。
（三）結論
語音信號增強是諸如智能控制、辦公自動化、多媒體消費品等領域的關鍵技術之一，將麥克風陣列技術應用于語音增強，能夠取得傳統單麥克風難以達到的增強效果。論文大全，陣列信號處理。語音信號作為一種寬帶的非平穩信號，在傳輸過程中不可避免地會受到各種噪聲的干擾，所以采用麥克風陣列系統時需滿足在一個比較寬的聲域范圍抑制各種噪聲干擾，減少語音的失真，同時也要降低系統成本和計算時間，以達到較好的實時性和實用性。在實際應用中應根據具體的使用環境的噪聲特性，設計合適的麥克風陣列結構，選擇最佳的算法及其具體的實現形式。
【參考文獻】
[1]Flanagan J L, JohnstonD J, Zahn R, et al. Computer-steered microphone arrays for sound transductionin large rooms[J]. Journal of Acoustical Society of American. 1985, 78(5).
[2]O. L. Frost. Analgorithm for linearly-constrained adaptive array processing[J]. Proc. IEEE.1972, 60(8).
[3]L. J. Griffiths, C. W.Jim. An alternative approach to linearly constrained adaptive beamforming[J].IEEE Trans. On Antennas and Propagation. 1982, 30(1).
[4]Zelinski R. A microphone array with adaptive post-filtering for noise reductionin reverberant rooms[A]. IEEE International Conference on Acoustics, Speech andSignal Processing, USA: 1988.
[5]S. Cannot and I. Cohen. Speech enhancement based on the general transfer function GSC andpostfiltering[J]. IEEE Trans. Speech and Audio Processing, 2004, 12(6).
[6]Khalil F, Jullien J P, Crilloire A. Microphone array for sound pickup inteleconference systems[J]. Audio Engineering Society, 1994, 42( 9).
[7]Asano F, Hayamizu S. Speech enhancement using css-based array processing[A].IEEE International Conference on Acoustics, Speech and Signal Processing. Germany: 1997.
[8]Jutten C and Herault J. Blind separation of sources, part I: an adaptivealgorithm based on neuromimetic architecture[J]. Signal Processing, 1991,24(l).
[9]張麗艷等.一種適用于混響環境的麥克風陣列語音增強方法[J].信號處理.2009，25(5).
[10]崔瑋瑋等.基于FDM陣列技術的雙通道語音增強方法[J].清華大學學報（自然科學版）.2008，48(7).
[11]曾慶寧等.基于陣列抗串擾自適應噪聲抵消的語音增強[J].電子學報.2005，33(2).
