一、IRM/DME测试系统接收单元的设计与实现（论文文献综述）
王小军[1]（2021）在《基于深度学习的语音去混响方法研究》文中研究表明在日常生活中,到处都充斥着背景噪声与混响,使得纯净的语音信号受到干扰,往往导致语音质量和可懂度的显着下降,特别是对于听障人士来说,听觉感知会受到极大的影响。近年来,随着深度神经网络（Deep Neural Network,DNN）在语音去混响领域的广泛应用,增强语音的客观指标有了显着的改善,然而基于人类听力测试的主观评价得分并没有获得同样程度的提高,并且由于真实环境下混响的多样性,传统的DNN很难对混响语音进行有针对性的增强。这主要是由于传统DNN在进行语音去混响时没有考虑到不同程度的混响条件下不同的帧间相互作用和连续帧之间的相关性问题,而使用相同的参数来进行特征提取。此外之前的研究对如何增强噪声环境下的混响语音也研究得很少,针对这两个问题本文的主要工作包括:（1）为了使用信号处理的方法减少混响对听觉感知的影响,首先需要了解混响的物理特性及其产生原理,因此本文首先研究了封闭空间中的混响信号,总结了去混响领域的经典方法和最新研究成果,对本研究需要用到的一些基础理论进行了论述,讨论了基于监督性学习去混响算法的框架和训练步骤,以及几种广泛应用的特征及训练目标。（2）针对目前大多数语音去混响算法没有考虑到不同程度混响条件下不同的帧间相互干扰问题,提出了一种基于混响时间感知的特征提取方法,在DNN训练阶段首先对不同RT60下的语音进行分类训练,从而优化系统在不同混响环境下的去混响效果。在去混响阶段,先对混响时间进行估计,进而选择合适的帧移系数和语音上下文窗系数进行特征提取,然后再将混响语音特征输入到训练好的DNN进行去混响。在此基础上建立了一个多目标神经网络,结合了基于掩蔽估计和基于频谱映射的方法。实验结果表明,本文提出的方法相较于传统的不考虑混响时间的方法,在语音可懂度和语音质量方面都有明显提高,并且对于未知环境下的混响语音表现出较强的鲁棒性。（3）对于噪声和混响同时存在时的语音增强问题,有研究认为混响和噪声属于两种不同类型的干扰,应该分别进行处理,由此本文提出了一种两段式的语音增强策略。具体来说,降噪阶段和去混响阶段分别使用两种深度学习模型依次进行。在降噪阶段引入多目标DNN作为网络模型,使用理想比率掩蔽（Ideal Ratio Mask,IRM）作为训练目标结合基于频谱映射的方法,在去混响阶段使用双向长短时记忆网络（Bi-directional Long Short-Term Memory,BLSTM）结合基于频谱映射的方法,最终得到增强语音的幅度谱信息,并且使用了一种新的目标函数,在模型训练过程中加入了纯净语音的相位来辅助增强语音幅度谱,这也将反过来提高相位估计的准确性,接下来使用迭代相位重建方法进行波形重建,最后对两阶段模型进行联合训练,优化目标函数。实验结果对比及语谱图分析表明,相比于传统的单阶段语音增强方法,本文提出的算法在同等条件下大幅提高了语音可懂度和语音质量,并对未知的噪声和混响表现出很强的鲁棒性。
朱训谕[2]（2021）在《基于深度学习的小尺度麦克风阵的语音增强研究》文中提出近年来,语音逐渐成为人机交互的重要手段之一。在室内,噪声和干扰,以及由墙壁和其他物体表面反射引起的混响是造成语音质量和可懂度下降的主要原因。由于混响和语音之间的高度相关性,抑制混响是增强语音的一项艰巨的挑战。噪声和干扰则使得室内语音增强问题更为复杂。风噪声具有和语音信号类似的非平稳特性,使得室外语音增强面临挑战。本文将深度学习用于室内及室外语音增强,此外,将阵处理与深度学习相结合,以增强多通道麦克风数据采集系统接收到的远程语音。本文提出一种联合波束形成和深度复数Unet网络（Combination of Beamforming and Deep Complex U-Net,BF-DCUnet）的深度神经网络架构,用于语音去混响。波束形成作为预处理模块,用于提高信噪比并抑制来自其它方向的干扰。通过集成频带提取模块和复数卷积操作,去混响性能进一步提升,同时利用异构卷积策略在保证去混响性能的情况下简化网络模型。基于THCHS-30语料,本文构造混响语音数据集用于BF-DCUnet模型训练和仿真测试,最后由多通道采集系统采集的混响语音数据验证BF-DCUnet的有效性。对于语音降噪任务,针对卷积神经网络无法有效估计期望语音信号相位的问题,本文提出了基于深度复数卷积神经网络和自我注意力机制（Deep Complex Convolution Recurrent Network with Self-attention,DCCRN-SA）的语音降噪算法,设计复数卷积和Dense块结合实现准确的相位估计,并通过自我注意力机制和复数长短期记忆单元（Long Short-Term Memory,LSTM）相结合实现对非平稳噪声的有效抑制。基于Libri Speech语料训练室内和室外场景性模型,DCCRN-SA在使用仿真数据和多通道麦克风数据采集系统接收的带噪语音数据的测试中表现良好。最后,语音增强系统基于Qt平台设计并搭建,该系统包含两个子系统:一个为用于语音去混响和降噪的室内语音增强;另一个为用于抑制风噪声的室外语音增强。系统的实时处理结果进一步验证了所提出的语音增强框架的有效性。
梅淑琳[3]（2021）在《基于人耳听觉的双通道DNN助听器语音增强研究》文中认为语言是人类沟通的桥梁,但对于患有听力损失的人来说,这一缺陷严重影响了他们的日常交流。据调查,全世界听力残疾的人已接近4亿。数字助听器是解决听力障碍这一问题的有效措施,并且近几年深度神经网络（Deep Neural Network,DNN）凭借其擅长表示语音间复杂非线性关系的优势已成功应用于助听器。故本文通过优化的DNN对数字助听器中的语音增强算法进行改进,来进一步提高重构语音质量。论文所做的工作如下:（1）对数字助听器的研究现状及研究意义进行了阐述,简单介绍了助听器的工作原理和其关键技术。并着重对其中的语音增强部分进行了研究,从基于DNN和波束形成两个方面的语音增强算法出发,对其现有的研究成果进行了详细说明。（2）针对神经网络语音增强算法因特征选取不能全面表示语音非线性结构导致语音质量较差的问题,提出一种新动态特征联合自适应比率掩模优化神经网络的语音增强算法。首先提出新动态特征,通过提取带噪语音的三种静态特征进行拼接,后求两阶差分导数,捕捉语音的瞬息信号,融合成动态特征,动静结合完成特征内部互补,减少语音失真。其次,提出一种新的自适应比率掩模,它既能自适应调整语音、噪声的能量比例,又能自适应调节传统掩模和平方根掩模的比例;并用Gammatone通道权重修改每个通道内的掩模值,模仿人类听觉系统,使增强语音的可懂度和清晰度同时达到最好。最后,对不同噪声背景下的多条语音进行实验仿真,结果表明:与已有的文献中不同算法相比,该算法的信噪比、语音质量、短时客观可懂度值都较高,验证了该算法的有效性。（3）为提高数字助听器语音增强模块重构语音的听觉感知度,本文结合单、多通道处理信号的优势,提出Bark域损失函数优化的双通道DNN时频掩蔽语音增强算法。首先,为改善传统的DNN损失函数时域优化不符合人耳听觉感知的问题,提出一种Bark域加权损失函数,通过心理声学域优化DNN,来提高增强语音的客观质量;其次,为提高算法抑制方向性噪声的能力,提出基于自适应掩模的方向矢量定位法,通过精确计算语音、噪声的空间协方差矩阵和方向矢量,使其在带噪和混响的环境下也能准确定位目标声源;最后实验结果表明:与其它单、多通道语音增强算法相比,重构语音具有更好的语音质量和可懂度。
唐书宇[4]（2021）在《LTE-V2X协议栈系统实现与通信资源优化调度算法研究》文中研究指明如何保障交通安全和提高交通效率是城市发展过程中待解决的重要问题。随着通信技术的不断发展,万物互联成为可能,人们希望使车辆能够借助车载设备与其他道路参与者进行通信,从而合理的解决交通问题,因此,车联网技术的研究和智能交通系统的实现成为当前汽车业界和学术界关注的重点方向。本文基于我国LTE-V2X通信行业标准设计车联网协议栈系统,实现了车辆信息采集和车间无线通信,并在此基础上进行了基于LTE-V2X的通信资源调度算法研究,保障车联网通信的可靠性。本文主要工作如下:（1）完成了基于LTE-V2X的车联网协议栈系统的开发。通过分析我国LTE-V2X通信行业标准和技术要求,并重点研究了标准要求中规定的帧结构和通信机制,确定了协议栈系统的整体架构设计和开发运行环境,分层实现了协议栈系统的软件开发,为车辆设备之间的信息交互和处理功能提供了通信基础。（2）设计实现了基于协议栈系统的信息采集模块。通过对车联网消息类型和通信需求的分析,设计了从CAN总线获取车辆状态数据以及从GPS模块获取车辆定位数据的信息采集方案,完成了针对CAN总线和GPS模块的信息采集程序开发并与协议栈系统应用层进行对接,使协议栈能够将采集到的车辆信息与其他车辆设备进行交互,为车辆智能网联应用提供了技术支撑。（3）进行了基于LTE的车联网通信技术相关研究。分析LTE车联网的无线信道模型,研究了LTE-V2X蜂窝网络通信模式（Mode 3）和直连通信模式（Mode 4）的主流通信资源调度算法,并对车联网安全应用业务场景进行具体分析,从实际应用运行场景和传输的消息类型角度对车联网应用进行划分,提出了一种基于模式切换的无线资源分配方法,以保证车辆密集场景下的通信可靠性。（4）完成了系统整体功能测试和通信资源调度算法仿真验证。本文对协议栈系统的信息采集、消息编码和数据收发等功能进行了测试验证,根据相关标准要求对协议栈系统的通信协议一致性进行了测试。并搭建了Matlab仿真平台对提出的无线资源分配方法进行了仿真验证。综上所述,本文依据通信行业标准完成了LTE-V2X协议栈系统的开发实现,并分析了协议栈系统的无线通信特性,对车联网通信技术和资源调度算法进行了研究,提出了一种基于模式切换的无线资源分配方法,以保障车联网消息的可靠传输。测试和仿真结果表明,本文开发的协议栈系统能够实现车辆设备之间的通信功能,通信机制和车联网消息类型符合标准要求;提出的无线资源分配算法在车辆密集场景下的PDR能够保持在0.6以上,性能优于单一模式下的主流通信资源调度算法。
郭晓波[5]（2021）在《深度学习远场语音识别的波束形成技术研究》文中提出近些年,语音识别技术随着深度学习的发展再度兴起并进入新的发展阶段。在近场声学环境下,自动语音识别取得了超人的识别准确率。然而,在实际应用中,拾取语音通常包含噪声、混响、回声、人声等干扰因素,使得识别性能严重下降。与近场声学环境相对应,远场声学环境是指声源与接收器之间距离为1m到10m的声学环境,囊括了智能音响、可穿戴设备和助听器等大部分语音识别系统的实际应用场景。远场语音识别技术可以提升在复杂声学环境下的语音识别性能,因此是语音识别技术应用到人们日常生活的重要技术支撑点。同时,它也是语音识别领域目前的研究难点和热点之一。为推动远场语音识别技术的发展,全球举办了多个国际顶级赛事,如CHi ME、REVERB等。本文通过分析第四届CHi ME挑战赛的远场语音识别系统,针对系统存在的问题,对系统的前端语音增强——波束形成算法进行了深入研究。具体研究内容如下:1、针对波束形成算法中基于神经网络估计时频掩蔽值时,神经网络的有监督训练方式致使估计过程存在数据不匹配问题,同时,基于实值时频掩蔽值求解声源存在概率时存在对信号信息利用不充分的问题,提出了一种集成基于神经网络和空域聚类的时频掩蔽值估计的波束形成。该方法将从两方面提升波束形成中声源存在概率估计的准确性。一方面是将基于神经网络估计的时频掩蔽值转换为声源存在概率,并将其作为基于空域聚类方法的初始时频掩蔽值,通过空域聚类方法的无监督估计,缓解神经网络方法存在的数据不匹配问题;另一方面,在集成方法中引入复值时频掩蔽值,通过充分利用信号的幅度和相位信息,提升声源存在概率求解的准确性。实验结果表明,集成方法有效缓解了神经网络方法的数据不匹配问题,复值时频掩蔽值的引入提升了集成方法中声源存在概率估计的准确性,提出的方法比基线系统在平均词错误率上取得了8.37%的相对减少。2、针对实值神经网络估计复值时频掩蔽值时存在不准确问题,提出了集成基于复值神经网络和空域聚类的时频掩蔽值估计的波束形成。一方面,将复值全连接网络作为估计器的骨干网络,利用复值的实部与虚部之间的相关性,降低神经网络的自由度,提升复值时频掩蔽值估计的准确性;另一方面,借鉴实值LSTM网络结构搭建复值LSTM网络并将复值LSTM网络作为时频掩蔽值估计器的骨干网络,通过利用复值的鲁棒记忆机制和LSTM的记忆能力来引入上下文信息,以提升时频掩蔽值估计的准确性,实现了远场语音识别性能的提升。实验证明,在平均词错误率上,集成基于复值全连接网络和空域聚类的掩蔽值估计的波束形成比集成基于实值全连接网络和空域聚类的掩蔽值估计的波束形成实现2.73%的相对下降,并通过显着性检测证明实验结果并不是由随机性造成的。另外,在集成框架中将复值LSTM网络作为掩蔽值估计器的骨干网络在时频掩蔽值的估计上取得了预期的性能提升,但集成基于复值LSTM和空域聚类的时频掩蔽值估计的波束形成没有达到预期性能。通过对实验结果分析,原因可能是基于复值LSTM网络估计时频掩蔽值时出现数据溢出问题,对声源存在概率的求解和波束形成滤波器系数的求解产生了影响。3、针对集成神经网络和空域聚类的时频掩蔽值估计器并没有解决有监督学习带来的数据不匹配问题,本文提出了一种基于神经期望最大化（Neural Expectation Maximization,Neural EM）的无监督时频掩蔽值估计。一方面,基于Neural EM的时频掩蔽值估计器在深度网络中将EM算法的迭代步骤展开为网络序列层,并由骨干神经网络代替EM算法中M步完成对概率模型参数的更新求解,将神经网络方法与模型方法进一步结合,实现基于神经网络的无监督掩蔽值估计。另一方面,通过RNN的内部递归结构替代EM算法的迭代步骤,并由编码器提取更鲁棒的特征用于概率模型参数的更新优化,实现基于RNN-EM的时频掩蔽值估计器,提升基于神经网络的无监督时频掩蔽值估计的鲁棒性和准确性。实验证明基于Neural EM的无监督时频掩蔽值估计器是可行的,并且基于RNNEM的时频掩蔽值估计器优于基于Neural EM的时频掩蔽值估计器。
蔡沅沅[6]（2021）在《短波语音信号智能增强技术研究》文中认为短波通信以其抗毁性强、机动性高、传播距离远和成本低等突出优势,被大量应用于军事通信和应急通信,但由于短波通信主要使用天波传播,即利用电离层的反射进行传输,故短波通信易受到季节、天气和地理位置等不可抗力的影响,产生明显衰落,同时由于远距离传输损耗,使得短波接收的语音信号的质量大大降低,而语音信号又是短波通信的重要业务形式之一,故短波语音信号的质量较低一直是实际应用中急需解决的问题。语音增强是用于抑制语音信号背景噪声的一种技术,常用于提高语音信号的质量,传统短波语音增强如基于IMCRA（Improved Minima Controlled Recursive Averaging）的谱减法（Spectral Subtraction,SS）,利用IMCRA算法的噪声估计结果进行谱减,可以实现对背景噪声的抑制,但在低信噪比下,由于很难进行准确的噪声估计,因此背景噪声残留多,语音信号损失严重。深度学习因其强大的映射能力在语音增强领域获得了广泛应用,于是本文提出采用基于深度学习的方法来实现短波语音信号智能增强技术。与现有深度学习应用于语音增强领域所面临的问题有所不同,短波语音信号主要急需解决低信噪比和衰落严重的问题,故本文提出的基于深度学习的短波语音信号智能增强技术,主要围绕这两个问题进行研究。本文针对短波语音信号的背景噪声抑制问题,首先采用卷积神经网络（Convolutional Neural Network,CNN）实现了一种基于深度学习的短波语音降噪技术。为了进一步提升降噪性能,本文提出了IMCRA-SS-IRM-CNN（CNN based on Ideal Ratio Mask and IMCRA based SS）方法,该方法主要利用IMCRA-SS良好的降噪性能和CNN强大的映射能力相结合来增强短波语音信号,通过仿真实验证明,此方法使得卷积神经网络的降噪性能与泛化性能均有所提高,相比改进前,平均各信噪比下各改进方法的PESQ分值可提高0.1分左右。针对短波语音的衰落问题,本文从信道均衡和分集接收两个角度分别提出两种短波语音抗衰落技术。第一,从信道均衡角度,提出采用E-CNN（Equalization CNN）和IMCRA-SS-IRM-CNN对短波语音进行盲均衡和噪声抑制,并通过仿真实验对比了均衡神经网络和降噪神经网络的不同联合方法对短波语音信号增强性能的影响;第二,从分集接收的角度,提出了利用神经网络先进行支路降噪,然后再进行多路分集合并的方法实现短波语音信号抗衰落。
毛一凡[7]（2020）在《多普勒全向信标监控系统研究与实现》文中进行了进一步梳理中国民航业在较长时间内处于成长期,仪表着陆系统、多普勒全向信标以及测距仪等导航系统在保障飞机安全飞行以及起降方面起着重要的作用,多普勒全向信标则是路基导航系统模块的关键设备。一旦这些设备在飞机航行或者起降过程中出现故障,就只能依靠机长的经验通过目视条件作为参考进行飞机的操控,这将会大大增加飞机发生危险的机率。因此,研究多普勒全向信标工作机制,改善其性能,保证多普勒全向信标正常工作对民航飞机的安全航行至关重要。为了保证多普勒全向信标（英文简称DVOR）时刻处于正常状态,本文就DVOR性能监控系统做了相关研究。通过监控天线获得DVOR向空间辐射的电磁波组合信号,对接收信号进行滤波、解调等处理,再与预先设置的参考值（角度、调制度、电平等）进行比较,从而判断系统工作是否正常提供精确的导航信号。监控系统应按照要求实时采集9960Hz电平、30Hz调频信号电平、识别码等信号,对信号进行解调。在信号不正常时,监控系统会自动切换运行另一套DVOR,并关闭故障DVOR,同时发出警报。监控系统的设计成功彻底结束了以往人工监控DVOR的历史,实现了对DVOR运行的监控全自动。本文所述的监控系统由监控硬件（即监控器）和远程监控软件组成。监控器以监控信号处置单元及选择控制器单元为主,监视DVOR的发射信号,检测可能存在的有害误差或故障,产生预警或告警。硬件方面,对选择控制器组件部分的通断逻辑、同轴继电器的控制、电池的监控、DME接口以及测试控制器]进行了电路设计;对调制解调器、直流转换器、天线系统以及设备面板进行优化。监控软件通过计算机网络传输监控器的采集数据,对DVOR的性能指标进行远程监视与控制,并存储DVOR运行状态。通过MATLAB仿真与现场测试等方法,完成了 DVOR性能监控系统设计与制作。经过实际运用,监控系统的各项指标都达到预期的成效,实现DVOR性能监控的自动化。
陆强[8]（2020）在《塔康信标视频信号模拟技术研究》文中研究说明在对塔康系统进行指标验证、计量溯源时往往需要用到一种专用测试设备——塔康信标模拟器（TACAN Beacon Simulator）。该模拟器是塔康机载设备在研制、生产、调试、计量校准过程中必须的专用信号源,用于模拟真实的塔康信标台,在实验室条件下,为机载设备提供工作环境下的模拟距离信息、模拟方位信息以及其他功能性识别信号。对机载设备的频率识别准确度、模式识别准确度、距离测量准确度、方位测量准确度等技术指标进行测试验证。塔康信标模拟器还可以在飞机起飞前或降落后,通过有线连接的方式,检查塔康机载设备是否工作正常。因此,研制塔康信标模拟器,同时保证其指标的有效溯源,对机载设备技术指标的准确、一致有着非常重要的意义。本文主要针对在研制、生产、使用、计量校准过程中塔康机载设备指标测试需求,对塔康系统测距、测位的基本原理和塔康信标视频信号格式进行了研究,结合具体设计指标要求,分析了塔康信标视频信号模拟实现的硬件结构,提出了易于实现的总体技术方案。重点对塔康信标视频信号部分进行了分析设计,提出了一种基于FPGA设计实现的,塔康信标视频信号具体实现方案。文章根据研究工作的重点和难点,讨论了询问信号识别与定时点提取技术,对视频信号产生实现方案中的信标编码器实现技术,主、辅基准脉冲群编码实现技术,随机脉冲编码实现技术、混合编码器实现,脉冲对编码器实现,钟形脉冲生成、空间幅度调制技术作了详细阐述。为了保证设计指标的准确可靠,能够有效溯源,结合通用仪器平台实现塔康信号模拟输出,并对其主要技术指标的性能进行了测试验证,设计了波道频率、波形参数、时间间隔、距离参数和方位参数测量校准方案,并对其测量不确定度进行了分析,达到了设计指标。
贺渊[9]（2020）在《深度学习辅助的LDPC-BICM接收算法研究》文中认为作为移动通信的空口技术方案之一,联合低密度奇偶校验码的比特交织编码调制（LDPC-BICM,Low-Density Parity-Check Coded Bit-interleaved Coded Modulation）系统凭借强大的纠错能力、逼近香农限的传输性能以及高效灵活的方案实现等优势而备受关注。目前,LDPC-BICM亟待解决几种典型应用场景带来的严峻挑战,诸如异构系统的脉冲干扰、模拟前端的非线性失真以及多用户引起的同频干扰等。上述典型应用场景的干扰、失真等非理想因素将引起符号间干扰或者子载波间干扰,导致LDPC-BICM接收方案的最大后验（MAP,Maximum a posteriori）解调器在计算对数似然比（LLR,Likelihood Ratio）信息过程中产生严重的失配现象,造成解调译码性能的恶化。为应对多元化业务场景和差异化性能需求的挑战,LDPC-BICM系统兼顾传输有效性和系统可靠性的同时,迫切需要借助人工智能领域的深度学习手段赋予接收方案感知能力和决策能力,最终达到增强典型应用场景中解调译码性能的目标。围绕深度学习辅助的LDPC-BICM接收方案,论文的核心内容和研究成果主要包括:1)针对异构干扰场景中的民用航空移动宽带通信系统,论文提出基于高斯混合模型（GMM,Gaussian Mixture Model）的LDPC-BICM接收方案。考虑纠错编码方案的因素,本文提出基于原型图的外附信息转移（PEXIT,Protograph-based Extrinsic Information Transfer）分析的最优脉冲门限方法,并分析编码调制方案配置参数对最优脉冲门限的影响。已知脉冲消隐操作导致软解调过程的信道条件概率不再满足高斯分布,该方案在脉冲门限优化的基础上采用期望最大化算法实现基于GMM模型的信道条件概率建模。根据GMM模型建模,本文提出基于GMM模型的MAP解调器达到提升软信息精度的作用。仿真表明,PEXIT分析工具准确计算最优脉冲门限的同时,该方案凭借GMM模型辅助MAP解调器显着提升软解调性能。2)针对非线性效应下的宽带可见光多载波通信系统,论文提出基于深度前馈网络的LDPC-BICM接收方案NN-BICM。面对发光二极管器件的双边削波导致MAP解调器的信道条件概率难以给出数学解析式的挑战,该方案采用模型驱动策略巧妙结合深度前馈网络的感知能力和LDPC译码器的推断能力,辅助MAP解调器校正失配的LLR信息。为获得迭代增益,本文在NN-BICM方案的基础上提出两种迭代解调译码方案,即译码器反馈到MAP解调器的单涡轮迭代结构和译码器同时反馈到深度前馈网络和MAP解调器的双涡轮迭代结构。实际可见光通信场景中,本文提出适用于NN-BICM方案的功率分配和比特加载策略。仿真表明,NN-BICM和迭代解调译码方案均能够校正失配的LLR信息,并有效突破非线性效应的译码性能瓶颈和显着提升可达速率。3)针对同频干扰场景中的正交频分复用（OFDM,Orthogonal Frequency Division Multiplexing）系统,论文提出基于深度序列模型的LDPC-BICM接收方案。考虑到MAP解调器无法准确描述同频干扰影响的信道条件概率,该方案采取模型驱动策略联合深度序列模型和LDPC译码器。单天线场景中,论文分别提出单子载波网络结构和多子载波网络结构两种方案,辅助MAP解调器提升软解调性能。其中,单子载波网络结构利用深度前馈网络表征单子载波的信道条件概率,多子载波网络结构利用深度序列模型表征子载波间相关性影响的信道条件概率。多天线场景中,该方案利用深度序列模型表征空域维度相关性影响的信道条件概率,辅助MAP解调器增强LLR信息的可靠性。此外,论文提出固定训练模式和随机训练模式的差异化训练策略,并分析同频干扰强度、信道状态信息和高斯噪声三方面的鲁棒性影响。仿真表明,深度序列模型能够充分利用频域和空域相关性,进一步提升信道条件概率的表征能力,增强对抗同频干扰的鲁棒性。
崔培娟[10]（2020）在《基于时频掩蔽的麦克风阵列语音增强算法研究》文中研究表明语音作为信息的载体,在生活的诸多场景中都发挥着至关重要的作用,如智能驾驶、智能家居和视频会议等场景。但在实际生活中,人们接收到的语音都掺杂着各种噪声,这些噪声极大地影响了语音的质量及可懂度,因此需要语音增强算法去除带噪语音中的噪声,使语音的质量和可懂度得到提升。本文从以下三个方面开展对麦克风阵列语音增强技术的研究:基于时频掩蔽的语音失真加权多通道维纳滤波（SDWMWF）、基于掩蔽的后置滤波以及基于时频掩蔽的改进SDW-MWF。波束形成算法在进行语音增强时需要阵列与声源的先验信息,一旦这些先验信息存在偏差就会严重影响算法的去噪性能。本文采用的SDW-MWF算法,可以在不需要这些先验信息的情况下,依据估计出的噪声协方差矩阵,求解对应的权重,进行语音增强。传统的噪声协方差估计算法如语音活动检测（VAD）和语音存在概率（SPP）算法可能会使得噪声协方差估计存在偏差,导致输出语音存在失真或仍有大量噪声残留。本文借助基于时频掩蔽的方法来进行噪声协方差的估计,通过假设观测信号满足复高斯混合模型（CGMM）,采用期望最大化（EM）算法计算麦克风阵列采集语音每个时频单元是噪声的概率,实现对噪声协方差的估计,并将其用于SDW-MWF算法中。实验证明,本文提出的增强算法可以提升输出语音的PESQ值和STOI值。SDW-MWF算法对噪声抑制性能有限,因此本文将其与基于掩蔽的后置滤波技术相结合,去除SDW-MWF算法语音增强后残留的噪声。基于掩蔽的后置滤波算法采用理想二值掩蔽（IBM）算法及其改进算法理想比值掩蔽（IRM）算法,因此需要时域噪声作为输入,本文采用一种基于多通道维纳滤波（MWF）的噪声估计算法来得到时域噪声,该算法借鉴MWF算法中的求解期望信号的方式,通过将MWF算法中的期望信号置换为噪声来实现对噪声的估计。将基于时频掩蔽SDW-MWF的输出与噪声估计得到的时域噪声作为后置滤波的输入,最终实现了对噪声的进一步抑制。实验证明,IBM后置滤波会在噪声得到进一步去除的同时导致输出语音失真,而IRM后置滤波输出语音中的噪声得到进一步抑制,语音质量得到了提升。在进行麦克风阵列语音增强时,大多数情形下只有一个目标声源信号,所以本文在只有一个目标声源信号的前提下对SDW-MWF算法的性能进行分析,分析其缺点并提出改进算法。改进的算法相比SDW-MWF更加简化,且输出语音质量更高。本文将基于时频掩蔽的SDW-MWF算法与基于时频掩蔽的改进SDW-MWF算法通过实验进行对比,实验证明,改进算法输出语音质量得到了提升。本文采用的基于六麦均匀线性阵的麦克风阵列语音增强算法在近远场情形及多种噪声下都可以取得好的语音增强效果,可将其应用在视频会议系统或其他需要语音增强的场景中进行噪声抑制。
二、IRM/DME测试系统接收单元的设计与实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、IRM/DME测试系统接收单元的设计与实现（论文提纲范文）
（1）基于深度学习的语音去混响方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容及结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 第2章 语音去混响相关技术概述 |
| 2.1 封闭空间中的混响及数学建模 |
| 2.1.1 封闭空间中的混响 |
| 2.1.2 混响的数学建模 |
| 2.2 声场 |
| 2.2.1 直达声能量 |
| 2.2.2 混响能量密度 |
| 2.2.3 临界距离 |
| 2.3 RT60 |
| 2.4 室内混响模拟方法 |
| 2.5 RT60 估计器 |
| 2.6 语音增强评价算法 |
| 2.6.1 主观评价方法 |
| 2.6.2 客观评价指标 |
| 第3章 基于深度学习的语音增强算法综述 |
| 3.1 监督性语音增强方法框架 |
| 3.2 特征提取 |
| 3.3 特征的选择 |
| 3.4 训练目标 |
| 3.4.1 理想二值掩蔽(IBM) |
| 3.4.2 目标二值掩蔽 |
| 3.4.3 理想比率掩蔽 |
| 3.4.4 复数域理想比率掩蔽 |
| 3.4.5 信号近似 |
| 3.4.6 基于频谱映射的方法 |
| 3.5 多目标DNN |
| 3.6 波形重建方法 |
| 第4章 基于混响时间感知的深度学习语音去混响方法 |
| 4.1 引言 |
| 4.2 基于混响时间感知的特征提取方法 |
| 4.2.1 帧移系数(S)对于去混响算法的影响 |
| 4.2.2 语音上下文窗系数(W)对去混响算法的影响 |
| 4.2.3 基于混响时间感知的特征提取方法 |
| 4.3 基于DNN的掩蔽与频谱映射联合估计 |
| 4.4 实验及结果分析 |
| 4.4.1 多目标 DNN与单目标 DNN对比 |
| 4.4.2 混响时间感知DNN |
| 4.4.3 语谱图分析 |
| 4.5 本章小结 |
| 第5章 基于深度学习的噪声环境下的去混响方法 |
| 5.1 引言 |
| 5.2 传统背景噪声下的去混响方法 |
| 5.3 基于DNN的两段式语音增强方法 |
| 5.3.1 信号模型 |
| 5.3.2 降噪阶段 |
| 5.3.3 去混响阶段 |
| 5.3.4 波形重建方法 |
| 5.3.5 联合训练 |
| 5.4 实验和结果分析 |
| 5.4.1 实验数据集 |
| 5.4.2 实验对比 |
| 5.4.3 语谱图分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（2）基于深度学习的小尺度麦克风阵的语音增强研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景及立题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统语音增强 |
| 1.2.2 基于深度学习的语音增强 |
| 1.2.3 深度学习与多通道联合处理 |
| 1.3 主要研究工作 |
| 1.3.1 研究内容 |
| 1.3.2 本文章节安排 |
| 2 混响环境下的语音处理基础 |
| 2.1 噪声统计特性 |
| 2.2 室内混响建模 |
| 2.3 深度学习相关理论 |
| 2.3.1 特征提取 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.3.4 训练目标 |
| 2.4 客观质量和语音可懂度 |
| 2.4.1 语音混响调制能量比 |
| 2.4.2 语音感知质量评估 |
| 2.4.3 信号失真比 |
| 2.4.4 短时客观可懂度 |
| 2.5 数据集构造 |
| 2.5.1 THCHS-30 |
| 2.5.2 LibriSpeech |
| 2.5.3 噪声库 |
| 2.5.4 镜像源法 |
| 2.5.5 多通道人工风噪声生成器 |
| 2.6 小结 |
| 3 波束形成和深度复数Unet网络联合抑制混响处理 |
| 3.1 深度复数Unet网络 |
| 3.2 MVDR波束形成 |
| 3.3 BF-DCUnet |
| 3.3.1 波束形成预处理 |
| 3.3.2 非对称深度复数Unet网络 |
| 3.3.3 异构卷积 |
| 3.4 其它去混响算法 |
| 3.4.1 基于深度神经网络的加权预测误差算法 |
| 3.4.2 全卷积网络 |
| 3.5 仿真实验 |
| 3.5.1 实验设置 |
| 3.5.2 数据集描述 |
| 3.5.3 结果分析 |
| 3.5.4 性能比较 |
| 3.5.5 宽容性评估 |
| 3.6 实验数据分析 |
| 3.7 小结 |
| 4 基于深度复数卷积循环神经网络的语音降噪 |
| 4.1 卷积循环神经网络和自我注意力机制联合处理 |
| 4.1.1 时频特征提取模块 |
| 4.1.2 复数卷积模块 |
| 4.1.3 复数LSTM |
| 4.1.4 自我注意力机制模块 |
| 4.2 其它语音降噪算法 |
| 4.2.1 时域音频分离网络 |
| 4.2.2 时间卷积神经网络 |
| 4.3 室内降噪 |
| 4.3.1 仿真实验 |
| 4.3.2 实验数据分析 |
| 4.4 室外风噪声抑制 |
| 4.4.1 仿真实验 |
| 4.4.2 实验数据分析 |
| 4.5 小结 |
| 5 语音增强系统 |
| 5.1 系统设计 |
| 5.2 系统验证 |
| 5.2.1 软硬件配置 |
| 5.2.2 算法评估 |
| 5.3 小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历 |
| 攻读硕士学位期间的研究成果 |
（3）基于人耳听觉的双通道DNN助听器语音增强研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 数字助听器 |
| 1.2.1 数字助听器的研究现状 |
| 1.2.2 数字助听器的工作原理 |
| 1.2.3 数字助听器中的核心算法 |
| 1.3 数字助听器中语音增强算法的国内外研究现状 |
| 1.3.1 单麦克风语音增强算法 |
| 1.3.2 麦克风阵列语音增强算法 |
| 1.4 语音增强算法性能的评价指标 |
| 1.4.1 语音质量的主观评价方法 |
| 1.4.2 语音质量的客观衡量标准 |
| 1.5 本文研究结构 |
| 第2章 基于DNN及波束形成的语音增强概述 |
| 2.1 语音信号的产生和人耳听觉 |
| 2.1.1 语音信号的生成机理及特征 |
| 2.1.2 人耳听觉机理及特性 |
| 2.2 符合人耳听觉感知的心理声学域 |
| 2.3 基于DNN的语音增强算法 |
| 2.3.1 常见的语音特征和时频掩蔽值 |
| 2.3.2 常见的神经网络损失函数 |
| 2.3.3 DNN的结构及训练过程 |
| 2.3.4 基于DNN的语音增强系统 |
| 2.4 基于波束形成的语音增强算法 |
| 2.4.1 麦克风阵列的声源定位算法 |
| 2.4.2 波束形成 |
| 2.5 本章小结 |
| 第3章 新动态特征联合自适应比率掩模优化神经网络语音增强 |
| 3.1 引言 |
| 3.2 语音信号的模型 |
| 3.3 动静态联合特征提取 |
| 3.3.1 静态特征提取过程 |
| 3.3.2 动态特征提取过程 |
| 3.3.3 动静态联合特征提取过程 |
| 3.4 自适应比率掩模估计 |
| 3.5 神经网络模型 |
| 3.6 动静态联合特征和自适应比率掩模优化的DNN语音增强系统 |
| 3.7 实验结果与分析 |
| 3.7.1 实验数据的选取 |
| 3.7.2 非线性幂函数取值对MRACC特征的影响及其优势 |
| 3.7.3 使用不同特征、学习目标增强语音的对比实验 |
| 3.8 本章小结 |
| 第4章 基于心理声学(Bark)域损失函数优化的双通道神经网络时频掩蔽语音增强 |
| 4.1 引言 |
| 4.2 双通道语音增强系统信号模型 |
| 4.3 基于心理声学域构建符合听觉感知的Bark域加权损失函数 |
| 4.4 基于自适应掩模方向矢量定位的WPD卷积波束形成器 |
| 4.4.1 依据信噪比优化的自适应掩模估计 |
| 4.4.2 加权功率最小无失真响应卷积波束形成器 |
| 4.4.3 基于AM方向矢量定位的WPD卷积波束形成器 |
| 4.5 基于Bark域加权损失函数优化的双通道神经网络时频掩蔽的语音增强系统 |
| 4.6 实验结果与分析 |
| 4.6.1 实验数据选取 |
| 4.6.2 Bark域加权损失函数中加权因子β的选取对实验结果的影响 |
| 4.6.3 不同损失函数对语音整体性能的影响 |
| 4.6.4 验证双通道时频掩蔽语音增强系统的性能 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）LTE-V2X协议栈系统实现与通信资源优化调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 国内外发展现状 |
| 1.3.1 WAVE协议介绍及研究现状 |
| 1.3.2 LTE-V2X技术介绍及研究现状 |
| 1.3.3 LTE-V2X通信算法及设备研发研究现状 |
| 1.4 论文研究内容及结构 |
| 第二章 LTE-V2X通信协议技术要求研究与分析 |
| 2.1 LTE-V2X通信标准介绍 |
| 2.2 LTE-V2X通信标准研究 |
| 2.2.1 架构分析 |
| 2.2.2 功能要求分析 |
| 2.3 车联网终端整体架构设计 |
| 2.4 本章小结 |
| 第三章 基于LTE的车联网协议栈开发与实现 |
| 3.1 协议栈软硬件平台设计 |
| 3.1.1 硬件平台 |
| 3.1.2 软件开发平台 |
| 3.1.3 软件运行平台 |
| 3.2 协议栈系统开发 |
| 3.2.1 接入层开发 |
| 3.2.2 网络层开发 |
| 3.2.3 应用层开发 |
| 3.3 车联网信息采集系统开发 |
| 3.3.1 CAN接口通信程序设计 |
| 3.3.2 GPS数据采集程序设计 |
| 3.4 显示终端设计 |
| 3.5 本章小结 |
| 第四章 基于LTE的车辆通信资源调度算法研究 |
| 4.1 LTE-V2X信道模型分析 |
| 4.2 业务场景分析与分类 |
| 4.3 通信资源调度算法研究 |
| 4.3.1 系统假设与场景建模 |
| 4.3.2 基于基站调度的下行无线资源分配算法 |
| 4.3.3 基于车辆自主感知的半持续调度算法 |
| 4.3.4 基于模式切换的无线资源分配方法 |
| 4.4 通信资源调度算法评价方法 |
| 4.5 本章小结 |
| 第五章 系统功能测试与验证 |
| 5.1 系统启动及数据收发测试 |
| 5.2 信息采集系统测试及验证 |
| 5.2.1 CAN模块功能测试 |
| 5.2.2 GPS模块功能测试 |
| 5.3 车联网通信协议一致性测试 |
| 5.3.1 网络层测试 |
| 5.3.2 应用层测试 |
| 5.4 资源调度算法仿真与验证 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 |
| 附录1 协议栈系统开发中重要的数据结构定义补充 |
| 附录2 协议栈系统支持的车联网消息数据结构定义 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）深度学习远场语音识别的波束形成技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 远场语音识别研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 语音识别发展历史和现状 |
| 1.2.2 远场语音识别技术研究现状 |
| 1.3 论文的主要工作和章节安排 |
| 1.3.1 存在的问题和论文的主要工作 |
| 1.3.2 论文章节安排 |
| 第二章 基于深度学习的远场语音识别系统 |
| 2.1 引言 |
| 2.2 远场语音识别系统框架 |
| 2.3 远场语音识别关键技术 |
| 2.3.1 前端增强 |
| 2.3.2 后端识别 |
| 2.4 实验与分析 |
| 2.4.1 CHiME4 语料 |
| 2.4.2 系统性能评价指标 |
| 2.4.3 系统性能比较的假设检验方法 |
| 2.4.4 实验设置 |
| 2.4.5 结果与分析 |
| 2.5 本章小结 |
| 第三章 集成基于神经网络与空域聚类的掩蔽值估计的波束形成 |
| 3.1 引言 |
| 3.2 基于神经网络的复值时频掩蔽值估计 |
| 3.2.1 复值时频掩蔽值 |
| 3.2.2 基于神经网络的复值时频掩蔽值估计 |
| 3.3 基于空域聚类的时频掩蔽值估计 |
| 3.4 集成基于神经网络和空域聚类的掩蔽值估计的波束形成 |
| 3.5 实验与分析 |
| 3.5.1 实验设置 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 集成基于复值神经网络和空域聚类的掩蔽值估计的波束形成 |
| 4.1 引言 |
| 4.2 复值神经网络 |
| 4.2.1 复值运算 |
| 4.2.2 复变激活函数 |
| 4.2.3 复值网络训练策略 |
| 4.3 基于复值神经网络的时频掩蔽值估计器 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于Neural EM的无监督时频掩蔽值估计 |
| 5.1 引言 |
| 5.2 无监督的时频掩蔽值估计 |
| 5.2.1 基于Neural EM的无监督时频掩蔽值估计 |
| 5.2.2 基于RNN-EM的无监督时频掩蔽值估计 |
| 5.3 实验与分析 |
| 5.3.1 实验设置 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（6）短波语音信号智能增强技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容与章节安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文章节安排 |
| 1.4 本章小结 |
| 第二章 传统语音增强算法与语音信号质量评价方法 |
| 2.1 语音信号时频分解与波形重构 |
| 2.2 谱减法 |
| 2.3 基于IMCRA的谱减法 |
| 2.3.1 改进的最小值控制递归平均(IMCRA)噪声估计算法 |
| 2.3.2 基于IMCRA的谱减法 |
| 2.4 语音信号质量评价方法 |
| 2.4.1 主观评价方法 |
| 2.4.2 客观评价方法 |
| 2.5 本章小结 |
| 第三章 基于深度学习与谱减联合的短波语音降噪技术 |
| 3.1 短波语音信号的复杂性 |
| 3.2 基于深度学习的短波语音降噪技术 |
| 3.2.1 系统框图 |
| 3.2.2 特征提取与训练目标 |
| 3.2.3 网络模型 |
| 3.2.4 不同语音降噪方法性能对比 |
| 3.3 基于深度学习与IMCRA谱减联合的短波语音降噪技术 |
| 3.3.1 系统框图 |
| 3.3.2 特征提取和训练目标 |
| 3.3.3 不同语音降噪方法性能对比 |
| 3.4 本章小结 |
| 第四章 基于深度学习的短波语音抗衰落技术 |
| 4.1 短波语音抗衰落的必要性 |
| 4.2 基于深度学习的短波语音信道均衡技术 |
| 4.2.1 系统框图 |
| 4.2.2 特征提取和训练目标 |
| 4.2.3 不同均衡方法性能对比 |
| 4.2.4 针对短波实采语音信号的增强性能对比 |
| 4.3 基于深度学习的短波语音分集接收技术 |
| 4.3.1 传统分集合并 |
| 4.3.2 基于深度学习的短波语音分集接收技术 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文贡献 |
| 5.2 下一步研究方向 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（7）多普勒全向信标监控系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 多普勒全向信标原理 |
| 2.1 DVOR基本原理 |
| 2.2 DVOR信号流程 |
| 2.2.1 DVOR系统信号形式 |
| 2.2.2 30Hz调幅信号 |
| 2.2.3 30Hz调频信号 |
| 2.3 发射机各板件作用 |
| 2.3.1 合成器(SYN-D) |
| 2.3.2 调制放大器(MOD-110 MOD110-P) |
| 2.3.3 信号调制器(MSG-S) |
| 2.3.4 信号调制器(MSG-C) |
| 2.4 本章小结 |
| 第三章 监控系统设计及关键技术 |
| 3.1 系统总体设计目标 |
| 3.2 系统体系构架设计 |
| 3.3 系统结构功能 |
| 3.4 监控系统的关键技术 |
| 3.4.1 硬件关键技术 |
| 3.4.2 软件关键技术 |
| 3.5 本章小结 |
| 第四章 监控系统硬件的设计 |
| 4.1 设计要求及理念 |
| 4.2 监控信号处置单元 |
| 4.3 选择控制器 |
| 4.3.1 选择控制器工作原理 |
| 4.3.2 通/断逻辑 |
| 4.3.3 同轴继电器的控制 |
| 4.3.4 电池监控 |
| 4.3.5 测距仪接口 |
| 4.3.6 测试控制器 |
| 4.4 本地遥控接口 |
| 4.4.1 本地控制与状态单元 |
| 4.4.2 CPU板 |
| 4.4.3 显示屏与操作板 |
| 4.5 调制解调器 |
| 4.5.1 概述 |
| 4.5.2 专线解调器 |
| 4.6 电源模块 |
| 4.6.1 概述 |
| 4.6.2 5V直流转换器(DCC-05) |
| 4.6.3 28V直流转换器(DCC-28) |
| 4.7 监控天线 |
| 4.8 波形转换 |
| 4.9 本章小结 |
| 第五章 监控系统软件的设计与实现 |
| 5.1 功能 |
| 5.2 软件的总体结构图 |
| 5.3 系统初始化 |
| 5.4 监视器软件主程序中的其他步骤 |
| 5.5 中断程序 |
| 5.6 通信中断 |
| 5.7 本地远端通信接口软件(LRCI) |
| 5.8 操作程序 |
| 5.9 本章小结 |
| 第六章 监控系统运行测试 |
| 6.1 测试环境 |
| 6.2 测试连接 |
| 6.3 监控系统调试 |
| 6.4 测试项目 |
| 6.4.1 发射机射频电平故障测试 |
| 6.4.2 30Hz调幅信号调制度和30Hz调频信号调制度故障测试 |
| 6.4.3 方位角故障测试 |
| 6.4.4 9960Hz调幅信号调制度测试 |
| 6.4.5 识别码故障测试 |
| 6.4.6 故障切换测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文的研究工作和成果总结 |
| 7.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
（8）塔康信标视频信号模拟技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文组织安排 |
| 第二章 塔康系统工作原理 |
| 2.1 塔康系统工作原理 |
| 2.2 机载设备测距原理 |
| 2.3 机载设备测位原理 |
| 2.3.1 方位粗测原理 |
| 2.3.2 方位精测原理 |
| 2.4 塔康信标视频信号格式 |
| 2.4.1 塔康系统工作频段 |
| 2.4.2 塔康信标的信号特征 |
| 2.5 本章小结 |
| 第三章 塔康信标视频信号模拟总体方案 |
| 3.1 塔康信标视频信号模拟技术指标 |
| 3.2 系统总体方案 |
| 3.3 软件开发环境 |
| 3.4 本章小结 |
| 第四章 视频信号模拟关键技术及设计实现 |
| 4.1 视频信号产生模块架构 |
| 4.2 询问信号识别与定时点提取 |
| 4.3 视频信号产生 |
| 4.3.1 信标编码器 |
| 4.3.2 混合编码器 |
| 4.3.3 脉冲对编码器 |
| 4.3.4 钟形脉冲生成 |
| 4.3.5 空间幅度调制 |
| 4.4 系统软件 |
| 4.5 本章小结 |
| 第五章 性能测试及不确定度分析 |
| 5.1 项目成果 |
| 5.2 通道及频率准确度测试 |
| 5.3 脉冲波形测试 |
| 5.4 脉冲编码时间间隔测试 |
| 5.5 距离模拟性能测试 |
| 5.5.1 测试方法 |
| 5.5.2 包络检波算法 |
| 5.5.3 平滑和平均算法 |
| 5.5.4 距离参数测量不确定度 |
| 5.5.5 距离参数测量结果 |
| 5.6 方位模拟性能测试 |
| 5.6.1 测试方法 |
| 5.6.2 测量结果 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）深度学习辅助的LDPC-BICM接收算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 论文研究现状 |
| 1.2.1 信道编码 |
| 1.2.2 调制映射 |
| 1.2.3 编码调制 |
| 1.2.4 解调/检测 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 LDPC-BICM系统与深度学习概述 |
| 2.1 BICM的基本概念 |
| 2.2 LDPC的基本概念 |
| 2.3 深度学习的基本概念 |
| 2.3.1 深度前馈网络 |
| 2.3.2 深度序列模型 |
| 2.3.3 深度生成模型 |
| 2.3.4 概率图模型 |
| 2.4 本章小结 |
| 第三章 基于高斯混合模型的LDPC-BICM接收方案 |
| 3.1 引言 |
| 3.2 L波段数字航空通信系统模型 |
| 3.3 脉冲消隐门限优化问题 |
| 3.4 GMM模型的BICM接收方案 |
| 3.4.1 EM算法辅助的GMM建模 |
| 3.4.2 GMM模型的MAP解调器 |
| 3.4.3 理论分析工具 |
| 3.4.4 复杂度比较 |
| 3.5 性能分析 |
| 3.5.1 仿真参数 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 3.7 附录 |
| 第四章 基于深度前馈网络的LDPC-BICM接收方案 |
| 4.1 引言 |
| 4.2 宽带可见光多载波通信系统模型 |
| 4.3 前馈网络辅助的BICM接收方案 |
| 4.3.1 网络结构 |
| 4.3.2 实现流程 |
| 4.3.3 优化策略 |
| 4.3.4 理论解释 |
| 4.4 前馈网络辅助的BICM迭代方案 |
| 4.5 功率分配和比特加载优化问题 |
| 4.5.1 双边削波失真的影响 |
| 4.5.2 功率分配问题 |
| 4.5.3 功率分配联合比特加载问题 |
| 4.6 计算复杂度 |
| 4.7 性能分析 |
| 4.7.1 平坦信道的非线性抑制性能 |
| 4.7.2 弥散信道的非线性抑制性能 |
| 4.8 本章小结 |
| 第五章 基于深度序列模型的LDPC-BICM接收方案 |
| 5.1 引言 |
| 5.2 LDPC-BICM无线通信系统模型 |
| 5.2.1 单天线LDPC-BICM系统 |
| 5.2.2 多天线LDPC-BICM系统 |
| 5.3 单天线系统的BICM接收方案 |
| 5.3.1 单子载波网络架构 |
| 5.3.2 多子载波网络架构 |
| 5.3.3 鲁棒性分析 |
| 5.4 多天线系统的BICM接收方案 |
| 5.4.1 BRNN网络结构 |
| 5.4.2 理论解释 |
| 5.5 性能分析 |
| 5.5.1 单天线系统 |
| 5.5.2 多天线系统 |
| 5.6 本章小结 |
| 5.7 附录 |
| 5.7.1 正向信号计算 |
| 5.7.2 权值梯度计算 |
| 5.7.3 反向误差计算 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果 |
（10）基于时频掩蔽的麦克风阵列语音增强算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 文章结构安排 |
| 第二章 麦克风阵列语音增强基本理论 |
| 2.1 语音特性 |
| 2.2 麦克风阵列基础 |
| 2.2.1 麦克风阵列信号模型 |
| 2.2.2 麦克风阵列拓扑结构 |
| 2.2.3 空间采样定理 |
| 2.3 现有麦克风阵列语音增强算法概述 |
| 2.4 高斯混合模型及EM算法 |
| 2.4.1 高斯混合模型 |
| 2.4.2 EM算法计算参数 |
| 2.5 语音质量评价准则 |
| 2.5.1 主观评价 |
| 2.5.2 客观评价 |
| 2.6 小结 |
| 第三章 基于时频掩蔽的语音失真加权多通道维纳滤波 |
| 3.1 相关工作总结 |
| 3.2 语音失真加权多通道维纳滤波 |
| 3.3 基于时频掩蔽的噪声协方差求解 |
| 3.3.1 基于时频掩蔽的噪声协方差求解原理 |
| 3.3.2 基于时频域假设的观测模型 |
| 3.3.3 复高斯混合模型的观测信号生成模型 |
| 3.3.4 基于EM算法的参数估计 |
| 3.3.5 协方差估计 |
| 3.4 基于掩蔽的后置滤波 |
| 3.4.1 基于掩蔽的后置滤波原理 |
| 3.4.2 基于多通道维纳滤波的噪声估计 |
| 3.4.3 理想二值掩蔽 |
| 3.4.4 理想比值掩蔽 |
| 3.5 仿真分析 |
| 3.5.1 实验环境设置 |
| 3.5.2 实验结果分析 |
| 3.6 小结 |
| 第四章 语音失真加权多通道维纳滤波改进算法 |
| 4.1 最优rank-1语音失真加权多通道维纳滤波 |
| 4.2 语音失真加权多通道维纳滤波算法性能分析 |
| 4.3 改进的语音失真加权多通道维纳滤波 |
| 4.4 仿真分析 |
| 4.4.1 实验环境设置 |
| 4.4.2 实验结果分析 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、IRM/DME测试系统接收单元的设计与实现（论文参考文献）
- [1]基于深度学习的语音去混响方法研究[D]. 王小军. 太原理工大学, 2021(01)
- [2]基于深度学习的小尺度麦克风阵的语音增强研究[D]. 朱训谕. 浙江大学, 2021(01)
- [3]基于人耳听觉的双通道DNN助听器语音增强研究[D]. 梅淑琳. 太原理工大学, 2021(01)
- [4]LTE-V2X协议栈系统实现与通信资源优化调度算法研究[D]. 唐书宇. 长安大学, 2021
- [5]深度学习远场语音识别的波束形成技术研究[D]. 郭晓波. 战略支援部队信息工程大学, 2021(01)
- [6]短波语音信号智能增强技术研究[D]. 蔡沅沅. 电子科技大学, 2021(01)
- [7]多普勒全向信标监控系统研究与实现[D]. 毛一凡. 扬州大学, 2020(04)
- [8]塔康信标视频信号模拟技术研究[D]. 陆强. 西安电子科技大学, 2020(05)
- [9]深度学习辅助的LDPC-BICM接收算法研究[D]. 贺渊. 东南大学, 2020(01)
- [10]基于时频掩蔽的麦克风阵列语音增强算法研究[D]. 崔培娟. 西安电子科技大学, 2020(05)