熊梅
- 作品数：6 被引量：37H指数：3
- 供职机构：重庆邮电大学通信与信息工程学院信号与信息处理重庆市重点实验室更多>>
- 发文基金：重庆市教育委员会科学技术研究项目国家自然科学基金信号与信息处理重庆市市级重点实验室建设项目更多>>
- 相关领域：电子电信更多>>
- 结合HPSS的非负矩阵音乐分离方法被引量：7
- 2018年
- 为解决非负矩阵分解(NMF)在音乐分离中适应性差且过度依赖学习样本的问题,提出结合谐和与击打声源分离(HPSS)的非负矩阵音乐分离方法。在高分辨率下对音乐信号进行HPSS分离,保留谐和声源并利用灵活窗NMF对击打声源进行二次分离,对结合理想二元掩蔽模型(IBM)分离出的伴奏及歌声的频谱做相应的傅里叶逆变换。利用公开音乐数据集进行实验仿真,实验结果表明,与传统的分离方法或者其它改进分离方法相比,该方法在分离性能上有明显提高。
- 熊梅张天骐张婷杨凯
- 关键词：非负矩阵分解
- 基于Sanger神经网络的TDDM-BOC信号组合码序列盲估计被引量：2
- 2017年
- 针对低信噪比(SNR)下时分数据调制二进制偏移载波调制信号(TDDM-BOC)的组合码序列盲估计问题,提出一种基于Sanger神经网络(Sanger NN)的新方法。首先将已分段的信号作为输入信号并利用Sanger NN提取各主分量的权值向量;然后通过其多次输入反复训练权值向量,直至权值向量达到收敛;最终利用各个权值向量的符号函数重建信号的组合码序列,实现TDDM-BOC组合码序列的盲估计。此外,采用最优变步长的方法来提高收敛速度。理论分析和仿真实验表明,Sanger NN可以实现-20.9~0 d B信噪比下TDDM-BOC信号组合码序列的盲估计,且其复杂度明显低于传统奇异值分解(SVD)法和自适应特征提取的在线无监督学习神经网络(LEAP);尽管Sanger NN收敛所需数据组数大于LEAP,但收敛时间明显少于LEAP算法。
- 张婷张天骐熊梅
- 关键词：神经网络盲估计
- 基于相似度的直扩信号盲解扩方法被引量：11
- 2017年
- 针对传统方法对直扩(direct sequence spread spectrum,DS-SS)信号进行盲解扩时,需要在估计出扩频序列后,才能完成信号盲解扩的问题,提出了一种基于相似度的DS-SS信号盲解扩方法。该方法首先在扩频码的码片速率和周期已知的条件下,以单倍扩频码周期的窗长对接收信号进行数据分段,然后对任意两段数据求相似度函数值,构造相似度函数值的特征信息矩阵,最后通过对构造的特征信息矩阵进行特征值分解就可以实现对信息序列及扩频码序列的盲估计。理论推导和仿真实验结果表明,该方法具有精度高、稳定性好,在信噪比容限值为-22dB的条件下也能够有效的盲估计DS-SS信号的信息序列及扩频码序列。
- 张天骐杨强宋玉龙熊梅
- 关键词：直扩信号扩频码序列相似度特征值分解
- 基于神经网络的低信噪比CBOC信号组合码序列盲估计被引量：1
- 2018年
- 针对低信噪比下复合二进制偏移载波(composite binary offset carrier,CBOC)信号的组合码序列盲估计问题。首先采用奇异值分解(singular value decomposition,SVD)的算法对CBOC的组合码序列进行可行性验证,可得在已知相关参数的情况下对CBOC信号组合码序列盲估计是可行的;其次就SVD在长序列估计中计算量和存储量需求大的问题,进一步提出主分量神经网络解决上述问题,同时引入最优变步长收敛模型改善神经网络(neural network,NN)收敛速度。利用无监督NN的自适应主分量提取信号特性,避免批处理运算,实现CBOC信号组合码序列盲估计。实验表明,NN能在-20dB下达到精确估计序列的目的,且算法有稳定性高、复杂度低、收敛速度快等优点。
- 张天骐张婷熊梅赵亮
- 关键词：奇异值分解神经网络
- 一种K-means改进算法的软扩频信号伪码序列盲估计被引量：16
- 2018年
- 针对软扩频信号因采用了编码技术使得伪码序列难以估计的问题,该文提出一种基于K-means聚类改进的软扩频信号伪码序列盲估计方法。该方法首先以单倍伪码周期的窗长对接收信号进行数据分段以构造观测数据矩阵,其次利用相似测度的理论从观测数据中寻找出K-means算法最优的初始聚类中心点,然后通过搜索平均轮廓系数(Silhouette Coefficient,SC)最大的绝对值以完成伪码集合规模数的估计,最后找到估计的伪码集合规模数所对应的聚类中心点集合,进一步完成对软扩频信号伪码序列的盲估计。通过仿真实验表明,在伪码序列估计错误概率低于0.1的情况下,该文方法比未改进方法提高信噪比约4 dB;而且在同一条件下,该文方法对信号的盲解扩性能优于未改进的方法。
- 张天骐杨强宋玉龙熊梅
- 关键词：伪码序列K-MEANS聚类盲估计
- 结合区分性训练深度神经网络的歌声与伴奏分离方法被引量：1
- 2019年
- 针对音乐信号中的歌声与伴奏相互关联难以分离的问题,提出了一种区分性训练深度神经网络(Deep Neural Network,DNN)的音乐分离方法。首先,在DNN模型的基础上同时考虑歌声与伴奏间的重建误差和区分性信息,提出了一种改进的目标函数进行区分性训练;其次,在DNN模型上额外添加一层,引入时频掩蔽对估计出的歌声伴奏进行联合优化,相应的时域信号由傅里叶逆变换获得;最后,验证不同参数设置对分离性能的影响,并与现有的音乐分离方法进行对比.实验结果表明,改进的目标函数和时频掩蔽的引入明显提高了DNN的分离性能,且与现有的音乐分离方法相比分离性能最高提高了4 dB从而证实所提方法是一种有效的音乐分离方法。
- 张天骐熊梅张婷杨强
- 关键词：区分性歌声音乐信号目标函数
