（一）基于ICA的語音信號(hào)盲分摘要：BSS技術(shù)對(duì)一段語音信號(hào)進(jìn)行處理?；旌险Z音語音分離能力，成為一個(gè)重要的研究問題。具體實(shí)現(xiàn)主要結(jié)合ICA技術(shù)，將語音去噪作為FastICA算法，行了分析比較，驗(yàn)證了通過ICA實(shí)現(xiàn)語音信號(hào)的盲分離是切實(shí)可行的。：語音信號(hào)；盲源分離；獨(dú)立成在語音方面的應(yīng)用包括有多個(gè)人說話構(gòu)成環(huán)境下從多個(gè)話筒接收到信號(hào)識(shí)自己感的能力引起研究者的而我們所研究的混合語音信號(hào)分離急速雖然濁音在頻域上有峰結(jié)構(gòu)，能量大量集中在低頻區(qū)(<1000Hz)，清音則沒有峰結(jié)由于人不同時(shí)間說話內(nèi)容不同，且沒有規(guī)律性，因此語音的信號(hào)是時(shí)變的。但是，人類發(fā)出聲音的變化率有限，在較短時(shí)間內(nèi)(5．500ms)，聲道在平穩(wěn)狀態(tài)，因此語音的300-3400Hz。語音由清音音和濁音構(gòu)成，濁音信號(hào)含有語kekp(x) k p(x)0.5e2式中，2語音信號(hào)的應(yīng)用程一般來說，只能對(duì)格式為wav的音樂進(jìn)行處理，為此，我從酷狗音樂中 三個(gè)格式為wav的小音樂，分別為‘開門’、‘ 的音樂進(jìn)行處理，通過查閱2.1所示，下面為對(duì)信號(hào)一進(jìn)行處理的源程序和得出的信號(hào)一的圖形分析結(jié)果：y1=fft(x,10241024FFTsubplot(2,2,1),plot(x);title('1波形')subplot(2,2,3),plot(angy1);title('1相位')title('1頻譜')axis([0100050])信號(hào)一波形1

信號(hào)一幅值 x信號(hào)一相位420

信號(hào)一頻譜0 y1=fft(x,10241024FFTsubplot(2,2,3),plot(angy1);title('2相位')title('2頻譜')axis([0100050])信號(hào)二波形1

信號(hào)二幅值0 x信號(hào)二相位420

0 信號(hào)二頻譜0 信號(hào)三為‘兩只蜂’，將它經(jīng)過程序處理后得出信號(hào)三的波形、幅值、相位和頻2.3所示，下面為對(duì)信號(hào)三進(jìn)行處理的源程序和得出的信號(hào)三的圖形分析結(jié)果：y1=fft(x,10241024FFTsubplot(2,2,3),plot(angy1);title('3相位')title('3頻譜')axis([0100050]信號(hào)三波形1

信號(hào)三幅值 4x信號(hào)三相位420

信號(hào)三頻譜0 混合語音信號(hào)的MATLBA混合信號(hào)波1

混合信號(hào)幅值0

4x混合信號(hào)相位420

混合語音信號(hào)頻譜0 subplot(2,2,4),plot(f,abs(y1(1:2048)));axis([01000050])信、生物醫(yī)學(xué)、圖像增強(qiáng)、、地球物理信號(hào)處理等眾多領(lǐng)域有廣泛的應(yīng)用前景。的,獲得我們感的有關(guān)信息(如原來獨(dú)立發(fā)射的信號(hào)等)。課題。BSS是指從混合的語音信號(hào)中分離出來一些未知的原信號(hào)。盲信號(hào)中的“盲”有兩個(gè)方BSS成為一種功能強(qiáng)大的處理信息的方法。按原信號(hào)和觀測(cè)信號(hào)數(shù)目的不同可將混合方式分為欠定、適定和超定情況;按原信號(hào)的不同可分為:平穩(wěn)、非平穩(wěn)、亞、斯、斯和亞混合分離等。這些信號(hào)原與的位置也未知，計(jì)算機(jī)要在此時(shí)識(shí)別出準(zhǔn)確的語音命令。移動(dòng)通信中，（ECG功能磁圖像（FMRI）分析、聽覺信號(hào)分析等。目前，一些學(xué)者已經(jīng)將盲源分離技術(shù)應(yīng)ICA是指從多個(gè)源信號(hào)的線性混合信號(hào)中分離出源信號(hào)的技,ICA算法,如信息最大化(Infomax)算法、FastICA算法、最大熵(ME)和最小互信息(MMI)算法、極大似然(ML)算法在統(tǒng)計(jì)學(xué)中，獨(dú)立成分分析或獨(dú)立分量分析（Independentcomponents 離成獨(dú)立統(tǒng)計(jì)的非的信號(hào)原地線性組合。ICA是盲信號(hào)分離（Blindsourceseparation）ICA是一種從多變量（ 成分分析（PrincipalComponent ysis,PCA）和因子分析（Factorysis）的一種擴(kuò)展。對(duì)于盲源分離，ICA是指知道混合信號(hào)，且不知道原信號(hào)、噪聲和混合機(jī)制的情況下，分離ICA的研究卻很緩慢，這畢竟是一個(gè)涉及多方面并且處在發(fā)展ICAICA結(jié)合起來，有助于提高算法的全局收斂性。ICAICAICAx1(tx2(tx3(t…xn(t，其中t是x1(t)x

s1(t)s x3

s3 Ax用來表示混合向量，x1xnss1,...snA則用來表示混合系數(shù)aij。所有的xTx的轉(zhuǎn)置就可以認(rèn)為是一個(gè)行向量。利用向量和矩陣xnnxaiiICAICA模型擴(kuò)展到有噪聲的情形，并且假設(shè)噪聲是以加性噪聲形式存在的。這簡單的噪聲模型表達(dá)方式。因此，噪聲ICAxAsnn n式中 是噪聲向量xA(s~xAICA（1）均值歸零（2）數(shù)據(jù)白化（3）選擇任意正交矩陣作為初值W0（4）用迭代更W

對(duì)混合語音信號(hào)進(jìn)行編程處理，得到混合語音信號(hào)的波形如圖所示。下圖即為經(jīng)過混合信號(hào)波形10 x分離信號(hào)一波分離信號(hào)二波分離信號(hào)一波分離信號(hào)二波 000 23 0123 x0x0分離信號(hào)三波0

x恢復(fù)了原始信號(hào)的波形。為了定量地分析該算法的優(yōu)劣性下面將對(duì)分離前后的相關(guān)系數(shù)及相對(duì)誤差進(jìn)行比較。---相關(guān)系數(shù)性質(zhì)相關(guān)系數(shù)可正可負(fù)；相關(guān)系數(shù)的區(qū)間是[-1,1]，即∣ρxy∣≤1；具有對(duì)稱性；即XY之間的相關(guān)系數(shù)（rXY）YX之間的相關(guān)系數(shù)（rYX）；相關(guān)系數(shù)與原點(diǎn)和尺度無關(guān)；XY統(tǒng)計(jì)上獨(dú)立，則它們之間的相關(guān)系數(shù)為零；但是r=0不等于說兩個(gè)變量是獨(dú)立的。即零相關(guān)并不一定意味著獨(dú)立性；相關(guān)系數(shù)是線性關(guān)聯(lián)或線性相依的一個(gè)度量，它不能用于描述非線性關(guān)系；雖然相關(guān)系數(shù)是兩個(gè)變量之間的線性關(guān)聯(lián)的一個(gè)度量，卻不一定有因果關(guān)系的含義；ICA算法用于語音信號(hào)的盲分離是切實(shí)可行的。雖然分離的結(jié)果[1],張發(fā)啟,.獨(dú)立分量分析及其在故障診斷中的應(yīng)用[J].振動(dòng)與沖擊,2004,[2]陳華富,中.獨(dú)立成分分析及其應(yīng)用的研究進(jìn)展[J].生物醫(yī)學(xué)工程學(xué),2004,[3],焦衛(wèi)東,.基于獨(dú)立分量分析特征提取的復(fù)合神經(jīng)網(wǎng)絡(luò)故障診斷法[J].振動(dòng)工程學(xué)報(bào),2005,17(4):438-442.譚北海,,周郭許,等.欠定盲分離中源的個(gè)數(shù)估計(jì)和分離算法[J].中國科學(xué)：,2009,03期(03):349-356.申永軍,楊紹普,孔德順.基于奇異值分解的欠定盲信號(hào)分離新方法及應(yīng)用[J].機(jī)械工程學(xué)報(bào),2009,45(8):64-70.,皮亦鳴,.基于獨(dú)立分量分析的降噪技術(shù)[J].電子科技大學(xué)學(xué)報(bào),2005,,.基于獨(dú)立分量分析的單通道語音降噪算法研究[J].激光與紅外,芬,,,等.盲源分離在單通道語音增強(qiáng)算法中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用,2006,26(11):2694-2695.,,漢.基于譜相減改進(jìn)算法的語音增強(qiáng)研究[J].鐵道學(xué)報(bào),2004,洪鷗.麥克風(fēng)陣列語音增強(qiáng)技術(shù)及其應(yīng)用[J].微計(jì)算機(jī)信息2006,22(01S):142-,.基于快速ICA的混合語音信號(hào)分離[J].計(jì)算機(jī)應(yīng)用,2006,26(5):1120-(二)LVQ神經(jīng)網(wǎng)絡(luò)的人臉朝向識(shí)為了滿足圖像和視屏中人臉的位置，朝向和旋轉(zhuǎn)都不是固定的特點(diǎn)，利用LVQ神經(jīng)網(wǎng)絡(luò)模 工具箱進(jìn)行LVQ神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，實(shí)準(zhǔn)確率判斷該圖像的人臉朝向。從而驗(yàn)證了LVQ神經(jīng)網(wǎng)絡(luò)對(duì)人臉朝向識(shí)別的可行性。：人臉朝向識(shí)別；LVQ神經(jīng)網(wǎng)絡(luò)； 、人臉識(shí)別是一個(gè)活躍的研究領(lǐng)域，是人類視覺最杰出的能力之一。雖然人臉識(shí)別的準(zhǔn)確性低于虹模的識(shí)別，但由于的無性和對(duì)用戶最簡潔、最直觀的方式使人臉識(shí)別成為們廣泛接受的生物特征識(shí)別方式[1]。但由于人臉識(shí)別的不規(guī)則性以及光線和背景臉位置和狀態(tài)都有一定的限制[2-3]。而現(xiàn)實(shí)應(yīng)用中，圖像和視屏源中人臉的位置，朝向和旋、2LVQ學(xué)習(xí)向量量化LVQ(LearningVectorzation)神經(jīng)網(wǎng)絡(luò)，屬于有監(jiān)督學(xué)習(xí)方法的前向神經(jīng)網(wǎng)絡(luò)類型，其應(yīng)用非常廣泛尤其在模式識(shí)別和優(yōu)化領(lǐng)域的應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)由三神經(jīng)元之間的連接權(quán)值固定為1。輸入層和競(jìng)爭(zhēng)層神經(jīng)元間連接的權(quán)值建立參考矢量的分量。在網(wǎng)絡(luò)訓(xùn)練過程中，這些權(quán)值被修改。競(jìng)爭(zhēng)層神經(jīng)元(Kohnen神經(jīng)元)和輸出1生“01神經(jīng)元均發(fā)出“0圖 絡(luò)模型對(duì)圖像中人臉朝向識(shí)別進(jìn)行研究。本例采用工具箱進(jìn)行LVQ神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，實(shí)現(xiàn)對(duì)人臉朝向的判斷。結(jié)果顯示，LVQ神經(jīng)網(wǎng)絡(luò)可以根據(jù)輸入圖像的二值信息，以LVQ識(shí)別中一個(gè)無法回避的問題基于誤差反向算法的多層前饋網(wǎng)絡(luò)可以以任意精度近任意的連續(xù)函數(shù),所以廣泛應(yīng)用于非線性建模、函數(shù)近、模式分類等方面。定。但通過嘗試和一些經(jīng)驗(yàn)，完全可以達(dá)到很好的輸出結(jié)果。③由于BP網(wǎng)絡(luò)固有的缺陷和限制過該善網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)用有導(dǎo)師監(jiān)督的LVQ605幅圖像，人臉輸入的人臉圖像進(jìn)行識(shí)別和朝向預(yù)測(cè)。圖像示例如圖2。2位置差別很大。因此，可以考慮將圖像中描述眼睛和鼻子頭的位置的特息提取出來作為LVQ1，2，3，4，5LVQ神經(jīng)網(wǎng)絡(luò)的輸出。368列（如圖28個(gè)子矩陣來描述（針對(duì)不同大 %% pixel_vale=featureextraction（,Nfeature_extraction.m的程序代碼為： r=at（Iaes，u2sr（‘_，nu2sr（‘.b’）; （將轉(zhuǎn)換成對(duì)應(yīng)的矩陣）[rowscols]=size(img);sample_number=sample_number+1;（將劃分6行8列計(jì)算圖像個(gè)數(shù) forii=sub_rows+1:2*sub_rows forjj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols

/[6]。其中，訓(xùn)練集為40個(gè)不同人臉朝向的的特征向量，測(cè)試集為20個(gè)不同人臉朝向的的特征向量。其程序?yàn)椋?%訓(xùn)練集/%%%訓(xùn)練集 LVQ利用newlvq()LVQ神經(jīng)網(wǎng)絡(luò)[7]，競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)設(shè)置為20。競(jìng)爭(zhēng)層神經(jīng)元和參數(shù)的設(shè)置事先計(jì)算得出，具體程序?yàn)椋篺ori:=1:rate{i}=length(find(Tc_train==i))/40;new=newlvq(minmax(P_train)，20，cell2mat(rate))net．trainParam．epochs=100;net．trainParam．goal=0．001;net．trainParam．lr=0．1;LVQLVQ神經(jīng)網(wǎng)絡(luò)的創(chuàng)建及相關(guān)參數(shù)設(shè)置完成后采用的網(wǎng)絡(luò)訓(xùn)練函數(shù)train()LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)[8]，其程序?yàn)閚et=trainnet_train，T_train)采用sim()LVQ網(wǎng)絡(luò)[8]，可以得到測(cè)TR_sim(net，P_test);Tc_sim=vec2ind(TR_sim);Result顯示第一行為測(cè)試集圖像人臉正確朝向。第二行為測(cè)試集圖像的Columns1through553424242342553424242312Columns13through

本文利用LVQ神經(jīng)網(wǎng)絡(luò)對(duì)人臉朝向進(jìn)行了研究并利用工具箱對(duì)人臉朝向進(jìn)的距離即可進(jìn)行模式識(shí)別。相對(duì)與采用BP神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)SVM相比更簡單，更[1],,,等.一種基于人臉識(shí)別與臉部朝向估計(jì)的新型交互式環(huán)繞智能顯示技術(shù)[J].電子器件,2008,31(1):359-364.[2],,,等.由人臉朝向驅(qū)動(dòng)的多方向投影交互系統(tǒng)[J].小型微型計(jì)算機(jī)系統(tǒng),2007,28(4):706-709.[3],,,等.遺傳算法的LVQ神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的應(yīng)用[J].遙感信息,2009,05期(5):21-24.飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論 7實(shí)現(xiàn)[M].電子工業(yè),焦.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安電子科技大學(xué),,,肖南峰.基于BP網(wǎng)絡(luò)的人臉朝向識(shí)別方法[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,24(06):61-65.董長虹.神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].國防工業(yè),陳永春.M語言高級(jí)編程[M].,（三 遙感灰霾組分識(shí)別模本文提了一種于 模式識(shí)的大氣遙灰霾組識(shí)別的法介了灰霾組模式識(shí)模型的立過程并用具體判函數(shù)作灰霾粒光學(xué)特向量的選擇依據(jù)對(duì)灰霾粒子進(jìn)行識(shí)別分類。采用計(jì)算機(jī)仿真實(shí)現(xiàn)了該灰霾組分模式識(shí)別模型并通過種自驗(yàn)方法檢了模型正確性定性討論該模型現(xiàn)有大遙感激光的用性，顯了偏高光譜辨率（HL）的勢(shì)。本究對(duì)環(huán)的檢測(cè)起到了定的參作用。以為環(huán)檢測(cè)等究域提供一的借鑒。：遙感；；灰霾模式識(shí)；氣溶；高光譜辨率（AOD與分類中常采用后向散射系數(shù)衍生的Angstorm指數(shù)進(jìn)行研究。VH（km-1）與消光系α（單位為km-1）ε≈0.02的關(guān)系為比普通的偏振Mie散射的在某波段上為求解含有三個(gè)未知數(shù)的方程、大氣氣溶膠和云霧粒子的退偏比、比等光學(xué)參數(shù)和粒子的物理性質(zhì)密切相關(guān)，不同種類粒子的退偏比比等光學(xué)參數(shù)不會(huì)完全相同，并且不同波長上的光學(xué)參數(shù)532nm氣溶膠退偏比能達(dá)到30%~35%；而灰塵和球狀顆粒的混合物的退偏比值大約為8%~10%；晶狀比方面，水溶性氣溶膠的比隨相對(duì)濕度增大而增大。煙灰和粗粒態(tài)礦物質(zhì)的比很大；煙灰和包含聚積態(tài)海鹽類粒子的氣溶膠在兩個(gè)激光波長上有較大差異，1064nm波長的比約為532nm的2倍而粗粒態(tài)礦物質(zhì)剛好相反各種卷云霧粒子的激光比與光學(xué)厚度有關(guān)，當(dāng)光學(xué)厚度較小時(shí)，比很低，而光學(xué)厚度較大時(shí)，、比也較大所以可以發(fā)現(xiàn)退偏比比等光學(xué)參數(shù)將成為區(qū)分灰霾不可或缺的參量灰霾的大氣遙感模式識(shí)別模Burton等對(duì)多波長偏振在全球范圍內(nèi)獲取的數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，冰晶粒子和灰塵均具有較高的氣溶膠退偏比。但一般來說，冰晶粒子的比要低于灰塵。而對(duì)于灰塵在純灰塵中混有少量其他成分時(shí)它們的比沒有顯著的差異但是退偏比卻不同。在對(duì)相對(duì)潔凈的海洋上空的氣溶膠進(jìn)行探測(cè)時(shí)發(fā)現(xiàn)其532nm比532nm退偏比、物燃燒產(chǎn)生的氣溶膠具有的共同特點(diǎn)是退偏比低，后向散色比高，532nm的比也很高，但它們的譜退偏比卻有一些差異。所以，可以充分利用大氣遙感以及上述灰霾的光學(xué)屬性，構(gòu)建一套基于模式識(shí)別的大氣遙感大氣遙感灰霾組分的方法?；姻驳拇髿膺b感模式識(shí)別模型得到模式識(shí)別的判別函數(shù)；再將待分類的灰霾遙感Ho，根據(jù)已有的Xo；為提高模型的運(yùn)行效Xo進(jìn)行降維，最終獲到模型中的光學(xué)特性XXHo進(jìn)行整H。H相對(duì)于最初搜集到的灰霾光學(xué)特性樣本庫Ho在數(shù)據(jù)數(shù)量在統(tǒng)計(jì)模式識(shí)別理論中，常用的判別策略有決策樹和方法。決策樹在進(jìn)行樣本屬于灰霾類型ωｉ時(shí)其出現(xiàn)的概率。Cattrall等都已各種類灰霾的特征樣本庫都可Pi(x)=maxP（x|ωi）(i=1,2,….n)xωi類型。降維的情況下對(duì)模式識(shí)別結(jié)果的影響。要對(duì)灰霾組分進(jìn)行識(shí)別，首先需要對(duì)其進(jìn)行分類。Burton等在大量實(shí)地測(cè)量數(shù)據(jù)的基礎(chǔ)Burton8類：冰δa、譜退偏比Ra、散色比Ca等，以及由后向散射系數(shù)和消光系數(shù)共同決定的比Sa基于Burton等在洲進(jìn)行的野外任務(wù)得到的實(shí)驗(yàn)數(shù)據(jù)，模擬構(gòu)建出本計(jì)算機(jī)仿真實(shí)，氣溶膠22000個(gè)，新鮮煙塵39000個(gè)灰霾模式識(shí)別特征空間在各空間中的投影分布如圖所示。圖（a）~（c）為在532nm退偏比-532nm比空間、532nm退偏比－后向散射，為驗(yàn)證大氣遙感灰霾組分模式識(shí)別模型的實(shí)用性和穩(wěn)定性在計(jì)算機(jī)仿真實(shí)驗(yàn)就可以認(rèn)為這個(gè)待確定樣本屬于該種灰霾。81所示：self-PureMixMarine 1.66.7%為判斷閾值，82所示，這里進(jìn)行了四次仿真實(shí)驗(yàn)Haze 1234MeanPureMixMarine 2.90%及以上，尤其是灰塵混合物幾乎不會(huì)出現(xiàn)錯(cuò)誤。提出了基 大氣[1].關(guān)于霾與霧的區(qū)別和灰霾天氣的討論[J].氣象,2014,31(4):3-曹攀.灰霾監(jiān)測(cè)研究現(xiàn)狀及展望[J].科技,2013,01期毛宇清,孫燕,姜愛軍,等.地區(qū)霾預(yù)報(bào)方法試驗(yàn)研究[J].氣候與環(huán)境研究,2011,黃正旭,高偉,董俊國,等.實(shí)時(shí)單顆粒氣溶膠飛行時(shí)間質(zhì)譜儀的研制[J].質(zhì)譜學(xué)報(bào),2010,31(06):331-336.宓云軿,王曉萍,詹舒越.光腔衰蕩光譜技術(shù)及其應(yīng)用綜述[J].光學(xué)儀器2007,張文煜,辛金元,袁九毅,等.騰格里沙漠氣溶膠光學(xué)厚度多波段遙感研究[J].高原氣象,2003,22(6):613-617.李學(xué)彬,徐青山,魏合理,等.氣溶膠消光系數(shù)與質(zhì)量濃度的相關(guān)性研究[J].光學(xué)學(xué)報(bào),2008,29(9):1655-1658.SugimotoN,LeeCH.Characteristicsofdustae