前言：中文期刊网精心挑选了卷积神经网络的关键技术范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
卷积神经网络的关键技术范文1
【关键词】系统故障预测 模型 数据
现阶段，针对系统故障预测方面的研究几乎为零，传统的做法一般主要是依靠科研人员通过人工分析采集到的数据，结合积累的经验等进行简单粗略的估计，而无法做到实际意义上的故障预测，且这类传统的方法往往需要耗费巨大的人力、物力成本，同时预测的周期短、精度差、准确性低，可靠性和实时性得不到保证，往往无法得到令人满意的效果。
为实现真正意义上的系统的故障预测，同时克服上述传统方法的弊端，针对高复杂度、高集成度的综合系统，开展自主学习的故障预测技术研究具有极其重要的意义。该研究能够进一步推动故障预测技术在复杂系统乃至航天等各领域内的实践和应用，为进一步研究故障预测技术打下基础。
1 故障预测的国内外研究现状
关于故障预测方面的研究国外已有一定的成果，但其在许多领域的应用并不完善，而国内在这方面的研究尚处于起步和探索阶段。
以系统运行各状态为基础，采用人工智能领域中深度置信网络（DBN）高效的深度学习算法构建故障的预测模型，从而实现系统故障的有效预测。
国外率先对复杂系统进行故障预测研究是20世纪70年代Saeks等人，他们所研究的是系统中出现故障的征兆，由于这种征兆幅值很小，还没有对系统造成破坏，所以很难用一般的方法辨别出，因此发展一直很缓慢，一度陷入困境。Khoshgoftaar等人在1992年提出了用神经网络来训练神经元进行软件系统的故障测定，这种经过训练的模型的优势在于对故障的趋势预测。2007年国际空间站的飞行控制委员会通过监测国际空间站上4个陀螺仪的若干参数提前数月预测和发现某个陀螺仪的失效故障，从而能够及时切换以保障空间站的正常运行。
我国在故障预测方面的研究较晚，目前尚处于理论研究阶段。如2003年重庆大学的孙才新院士及其课题组利用模糊数学中的灰色模型研究了电力系统故障的预测问题。2005年，南京理工大学的秦俊奇以大口径火炮为研究对象，运用先进的动态模糊综合评判理论和多Agent并行推理技术，在对火炮进行详细故障分析的基础上，对故障预测技术进行了系统的理论和应用研究并建立了相应的故障预测模型。近几年PHM技术也受到了军事及航天等领域越来越多的重视，北京航空航天大学可靠性工程研究所、航空643所、哈尔滨工业大学等研究机构从设备监控衰退规律、故障预测模型、健康管理技术等方面对PHM技术进行了较多跟踪研究。
2 模型建立方法及需要解决的关键技术
2.1 模型建立方法
建立自主学习模型时，采用数据挖掘的方法对系统大量的历史数据进行分析，同时并结合数据融合及维度变换设计特征集的分类器以提取和建立特征参数，建立其对应的特征指标参数体系，通过传感器网络采集获得参数，并对原始数据进行预处理以提取出有效数据，再将有效数据作为深度学习的数据基础，经过反复的训练和学习，以建立相关的故障预测模型，再应用测试验证系统进行反复验证、调整，最终建立故障预测的学习模型。
2.2 建立学习模型的关键技术
2.2.1 系统特征参数体系的建立
针对某系统，依据一定的原则，利用主观或客观的方法建立相互独立、能够敏感反映整个系统的各项指标参数，即表征系统的特征集，如工作、性能、功能、环境等参数，常用的方法包括数据挖掘、基于贝叶斯理论的信息融合、多维度数据变换等。
2.2.2 通过机器自主深度学习建立相应的模型
研究和借鉴国内外关于深度学习、故障预测方面的理论和成果，尤其关注深度学习在预测及多特征量预测方面的应用，在此基础上结合系统的特征参数、各类故障和非故障模式状态的特点，提出一种深度学习算法，通过学习和训练建立相应的故障预测模型，利用验证系统和实际系统的应用数据，通过逐层反复学习和训练设定模型的最优初始化参数，并以自顶向下的监督算法进行调整使得模型收敛，从而实现故障预测、深度学习与系统应用相结合。主要的自主学习技术包括卷积神经网络、深度波尔兹曼机模型、深度置信网络等。
2.2.3 多维度数据分析方法的研究
针对测试数据与监测数据的独立性，拟采用贝叶斯方法对数据进行融合，建立一种基于异构空间的数据模型，再结合特征提取与特征抽象，对多维度数据进行分析。
3 总结
通过对现有数据的分析，提取故障特征信息，建立故障特征信息库，构造一个多层的人工神经网络模型，通过模型层次的分析获得样本的本质表示，结合故障注入的方法，提出故障注入的方案，利用故障注入验证自主学习方法。
再结合多维度数分析方法，建立多维度数据模型，同样利用故障注入技术，建立多维度数据的故障信息，通过状态预测模型进行故障预测，结合注入的故障信息，对故障预测的结论进行反馈和确认。最终确立自主学习模型，达到系统故障预测的目的。
参考文献
[1]朱大奇.航空电子设备故障诊断技术研究[D].南京：南京航空航天大学，2002：1-3.
[2]彭俊杰，洪炳，袁成军.软件实现的星载系统故障注入技术研究[J].哈尔滨工业大学学报，2004，36（07）：934-936.
[3]张宝珍.先进的诊断和预测技术[J].装备质量，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]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图像形象学报，2014（02）：175-184.
[6]郭丽丽，丁世飞.深度学习研究进展[J].计算机科学，2015，42（05）：28-33.
卷积神经网络的关键技术范文2
关键词：麦克风阵列，阵列信号处理，语音增强
（一）引言
在日常生活和工作中，语音通信是人与人之间互相传递信息沟通不可缺少的方式。近年来，虽然数据通信得到了迅速发展，但是语音通信仍然是现阶段的主流，并且在通信行业中占主导地位。在语音通信中，语音信号不可避免地会受到来自周围环境和传输媒介的外部噪声、通信设备的内部噪声及其他讲话者的干扰。这些干扰共同作用，最终使听者获得的语音不是纯净的原始语音，而是被噪声污染过的带噪声语音，严重影响了双方之间的交流。
应用了阵列信号处理技术的麦克风阵列能够充分利用语音信号的空时信息，具有灵活的波束控制、较高的空间分辨率、高的信号增益与较强的抗干扰能力等特点，逐渐成为强噪声环境中语音增强的研究热点。美国、德国、法国、意大利、日本、香港等国家和地区许多科学家都在开展这方面的研究工作，并且已经应用到一些实际的麦克风阵列系统中，这些应用包括视频会议、语音识别、车载声控系统、大型场所的记录会议和助听装置等。
本文将介绍各种麦克风阵列语音增强算法的基本原理，并总结各个算法的特点及存在的局限性。
（二）常见麦克风阵列语音增强方法
1．基于固定波束形成的麦克风阵列语音增强
固定波束形成技术是最简单最成熟的一种波束形成技术。论文大全，阵列信号处理。论文大全，阵列信号处理。1985年美国学者Flanagan提出采用延时-相加（Delay-and-Sum）波束形成方法进行麦克风阵列语音增强，该方法通过对各路麦克风接收到的信号添加合适的延时补偿，使得各路输出信号在某一方向上保持同步，使在该方向的入射信号获得最大增益[1]。此方法易于实现，但要想获取较高的噪声抑制能力需要增加麦克风数目，并且对非相干噪声没有抑制能力，环境适应性差，因此，实际中很少单独使用。后来出现的微分麦克风阵列（DifferentialMicrophone Arrays），超方向麦克风阵列（Superairective MicrophoneArrays）和固定频率波束形成（Frequency-InvariantBeamformers）技术也属于固定波束形成。
2．基于自适应波束形成器的麦克风阵列语音增强
自适应波束形成是现在广泛使用的一类麦克风阵列语音增强方法。最早出现的自适应波束形成算法是1972年由Frost提出的线性约束最小方差（LinearlyConstrained Minimum Variance, LCMV）自适应波束形成器[2]。其基本思想是在某方向有用信号的增益一定的前提下，使阵列输出信号的功率最小。在线性约束最小方差自适应波束形成器的基础上，1982年Griffiths和Jim提出了广义旁瓣消除器（GeneralizedSidelobe Canceller, GSC）[3]，成为了许多算法的基本框架（图1）。
图1 广义旁瓣消除器的基本结构
广义旁瓣消除器是麦克风阵列语音增强应用最广泛的技术，带噪声的语音信号同时通过自适应通道和非自适应通道，自适应通道中的阻塞矩阵将有用信号滤除后产生仅包含多通道噪声参考信号，自适应滤波器根据这个参考信号得到噪声估计，最后由这个被估计的噪声抵消非自适应通道中的噪声分量，从而得到有用的纯净语音信号。
如果噪声源的数目比麦克风数目少，自适应波束法能得到很好的性能。但是随着干扰数目的增加和混响的增强，自适应滤波器的降噪性能会逐渐降低。
3．基于后置滤波的麦克风阵列语音增强
1988年Zelinski将维纳滤波器应用在了麦克风阵列延时—相加波束形成的输出端，进一步提高了语音信号的降噪效果，提出了基于后置滤波的麦克风阵列语音增强方法[4]（图2）。基于后置滤波的方法在对非相干噪声抑制方面，具有良好的效果，还能够在一定程度上适应时变的声学环境。它的基本原理是：假设各麦克风接收到的目标信号相同，接收到的噪声信号独立同分布，信号和噪声不相关，根据噪声特性，依据某一准则实时更新滤波器权系数，对所接收到数据进行滤波，从而达到语音增强的目的。
图2 结合后置滤波的固定波束形成器
后置滤波方法存在以下不足：首先，算法的性能受到时延误差的影响，使增强后的语音信号有一定失真。其次，该方法对方向性的强干扰抑制效果不佳。后置滤波方法极少单独使用，常与其他方法联合使用。文献[5]研究了后置滤波和通用旁瓣对消器结合使用的问题。论文大全，阵列信号处理。
4．基于近场波束形成的麦克风阵列语音增强
当声源位于麦克风阵列近场（即阵列的入射波是球面波）情况下，声波的波前弯曲率不能被忽略，如果仍然把入射声波作为平面波考虑，采用常规的波束形成方法来拾取语音信号，那么麦克风阵列系统输出效果会很不理想。解决这个问题，最直接的方法就是根据声源位置和近场声学的特性，对入射声波进行近场补偿[6]，但是这种方法需要已知声源位置，这在实际应用中难以是满足。由于近场声学的复杂性，目前有关近场波束形成麦克风阵列语音增强方法的研究相对较少。
5．基于子空间的麦克风阵列语音增强
子空间方法的基本思想是计算出信号的自相关矩阵或协方差矩阵，然后对其进行奇异值分解，将带噪声语音信号划分为有用信号子空间和噪声子空间，利用有用信号子空间对信号进行重构，从而得到增强后的信号。由Asano等提出的基于相干子空间的麦克风阵列语音增强方法是一种典型的子空间方法[7]。该方法首先将语音信号划分到不同频带，然后在每个频带再利用空间信息，进行子空间处理。
基于子空间的麦克风阵列语音增强方法虽然降噪性受噪声场是否相关影响较小，在相干和非相干噪声场中均有一定的消噪效果，但是由于计算量较大，实现实时处理具有一定困难。
6．基于盲源分离的麦克风阵列语音增强
在很多实际应用中，信号源情况和信道的传递参数都很难获取，盲源分离技术（BlindSource Separation, BSS）就是在这种需求下提出的。盲源分离是根据输入源信号和干扰的统计特性，从传感器阵列接收到的混合信号中提取出各个独立分量的过程。法国学者Herault.J和Jutten.C在信源与信道先验条件未知的情况下，利用人工神经网络分离出了有用信号，开创了盲源分离的先河[8]。目前为止，已有许多学者将盲源分离技术应用于麦克风阵列语音增强。论文大全，阵列信号处理。
经过二十多年来国内外学者的不断深入研究，盲源分离技术已经取得了巨大的进步和发展，对盲信号分离问题的研究己经从瞬时混迭模型扩展成为线性卷积模型和非线性瞬时混迭模型，但是由于盲源分离仍属一个新兴的研究方向，理论上还不成熟，这类方法一般运算量大，全局收敛性和渐进稳定性有待加强，距离实际应用有一段距离。
7．其他方法
90年代以来，一些学者将各种信号处理算法与麦克风阵列技术相融合，各种语音增强算法不断涌现，诸如倒谱分析、小波变换、神经网络、语音模型等方法已经在语音信号处理领域得到应用。虽然这些方法从不同角度对语音增强系统的性能进行了不同程度的改善，但大多计算量庞大，不适合时变性较强的声学环境，而且在需要实时处理的场合，对硬件的要求也将大大提高。论文大全，阵列信号处理。
近些年国内一些高校，如清华大学，大连理工大学，电子科技大学，西安电子科技大学等也做了一些关于麦克风阵列技术的研究工作，取得了一定的研究成果。张丽艳等提出一种改进的麦克风阵列倒谱域语音去混响方法，改善混响环境下的语音质量[9]。崔玮玮等提出一种基于一阶差分麦克风阵列的实时噪声谱估计和抵消方法，提高输出信噪比的同时降低了计算量[10]。曾庆宁等将阵列交叉串扰信号的自适应噪声抵消方法应用于麦克风阵列语音增强，适用于在多种噪声环境中实时实现[11]。
（三）结论
语音信号增强是诸如智能控制、办公自动化、多媒体消费品等领域的关键技术之一，将麦克风阵列技术应用于语音增强，能够取得传统单麦克风难以达到的增强效果。论文大全，阵列信号处理。语音信号作为一种宽带的非平稳信号，在传输过程中不可避免地会受到各种噪声的干扰，所以采用麦克风阵列系统时需满足在一个比较宽的声域范围抑制各种噪声干扰，减少语音的失真，同时也要降低系统成本和计算时间，以达到较好的实时性和实用性。在实际应用中应根据具体的使用环境的噪声特性，设计合适的麦克风阵列结构，选择最佳的算法及其具体的实现形式。
【参考文献】
[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]张丽艳等.一种适用于混响环境的麦克风阵列语音增强方法[J].信号处理.2009，25(5).
[10]崔玮玮等.基于FDM阵列技术的双通道语音增强方法[J].清华大学学报（自然科学版）.2008，48(7).
[11]曾庆宁等.基于阵列抗串扰自适应噪声抵消的语音增强[J].电子学报.2005，33(2).
