一、Companding语音数据压缩算法分析及改进（论文文献综述）
白慧敏[1]（2021）在《基于节律特征约束的脑电数据图像压缩和复原》文中指出脑电数据中包含人体各类生理信息,在情感识别、癫痫疾病的诊断中作为主要依据,为各类脑部疾病的临床诊断和情感识别的准确判断提供重要依据。远程诊断、云端监测等医疗模式的广泛应用,使得人们在日常生活中采集到的脑电数据需结合信息化远程技术,将数据传输至医疗中心,来进行专业和便利的诊疗分析。针对高采样率、多通道、长时间监测的大量脑电数据带来的传输时间长、系统消耗大、传输带宽高等的问题,本文基于脑电数据二维结构及通道数据关联性的特点,借助于图像压缩成功应用经验,将多路脑电数据看作图像信号,研究了基于节律特征约束的脑电数据压缩与深度学习复原方法。针对以上问题展开相关工作如下:（1）提出了一种基于节律波特征的脑电数据压缩方法。通过分析节律波在脑电数据诊断和分析中的特殊意义,验证节律波在提取和压缩过程中细节保留效果,引入数据矩阵重构过程将多通道多节律数据间建立时空关联性,分析重构模式差异给数据压缩带来的影响,再结合高效的图像压缩方案,实现对脑电数据压缩比的控制以及对节律细节信息保留的效果。通过客观评价指标证明该方法在提升压缩比和保留有效信息方面的有效性。（2）提出了一种基于深度学习的脑电数据复原方法。应用深度学习在捕获隐性特征方面的优势,在UNet网络的基础上引入改进模块进行适应性调整。利用UNet网络的编解码结构生成不同分辨率细节特征,再结合Res Net网络和UNet网络中的skip connect结构,减少特征退化,从保留的数据特征中依靠数据间的关联性生成更接近原始数据的细节信息。基于上述方法,对数据复原结果进行了实验验证,表明了本复原方法的有效性。
范家铭[2]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中提出伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
王颖[3]（2020）在《无损数据压缩IP设计与实现》文中研究表明近年来,人类探索宇宙空间奥秘的进程加快。随着空间科学任务的要求越来越高以及科学探测设备和技术的不断发展,探测任务越来越多元化,探测器采集的数据量剧增,原始数据信息的传输、存储和处理的困难亟待解决,而数据压缩技术正是缓解这些压力的重要技术,因此,无损数据压缩技术已经成为了空间科学领域中的重要研究课题之一。本文进行的主要研究工作以及取得的成果主要包括以下三点:（1）对无损压缩算法的发展和研究现状进行调研,分析对比了在空间科学任务中常用的无损数据压缩算法的优缺点,归纳了通用的无损数据压缩技术研究现状中存在的问题。其中,CCSDS（The Consultative Committee for Space Data Systems）提出的基于RICE编码的通用无损数据压缩算法对硬件实现友好,结构简单,压缩比在1.6～3.0之间,所以,本文在RICE算法的基本框架上进行研究。（2）针对RICE算法的缺点进行优化探究,设计了一种面向空间科学数据的通用的无损数据压缩算法,具有结构简单、高压缩比的特点。该算法由线性一阶单位时间延迟预测和混合熵编码组成。线性一阶单位时间延迟预测可以利用空间科学数据的时间相关性消除冗余,使得原始数据转变为信息熵更低、更利于熵编码的预测误差数据。该预测方法计算复杂度低,有利于在资源和计算能力有限的星载设备上实现。混合熵编码充分利用预测误差分布的稀疏性和数据编码冗余性,创新性提出分为高熵编码和低熵编码两种不同的编码模式对数据进行编码,进一步提升了压缩效率。不同数据集测试的结果表明,本文提出的算法的压缩比在2.3～5.5之间,相比RICE算法,压缩比平均提升约23%。（3）针对本文提出的算法,设计并实现了基于FPGA的无损数据压缩系统方案,创新性提出对码表进行“升维”操作,减少了码表查询操作的复杂度,以较小的资源开销换得压缩速度的有效提升。最后,通过功能仿真和静态时序分析,设计的无损数据压缩系统可允许的最大工作频率为44.835MHz。
周学斌[4]（2020）在《智能电网海量数据轻型化方法研究》文中研究说明随着我国智能电网全面快速发展,电网数字化、信息化程度越来越高,电网安全生产运行越来越依赖大量综合信息。智能电网对各类实时和非实时广域海量全景状态信息进行精确采集和高效传输,并实现“三流”融合、高度集成与共享,相比传统电网监测系统,智能电网广域监测范围、监测节点数、监测信息类型及监测信息量等明显增加。在智能电网向能源互联网演化进程中,新业务蓬勃发展使得电力通信网业务变得复杂多样化,业务逐层汇聚后通过电力通信网进行传输,对电力通信网提出了更高要求,且随着智能电网、信息系统、营销系统等发展产生了海量数据交互,带宽需求急剧上升,现有传输网络已无法满足,导致智能电网高级应用系统功能无法实现,严重影响电网安全、稳定运行。为满足智能电网对海量数据在线监测、传输、存储的需要,实现智能电网高级应用系统功能,确保电网安全、稳定、经济运行,本文针对智能电网海量数据传输和存储轻型化的需求,从压缩采样、基于低秩Hankel矩阵的非均匀采样、最少特征信息提取、轻型协议数据生成及原始海量数据还原等方面进行研究,论文的主要内容如下:（1）针对Ⅰ型信号（即数据含脉冲信号或振荡信号）提出一种采用压缩感知理论实现智能电网海量数据轻型采样的方法。电网发生扰动,基于事件触发机制对扰动发生前后一个观测时窗内数据进行在线录波,并完整采样记录,采用扰动检测方法精确定位扰动时间。然后,采用深度学习网络对数据进行快速模式识别,数据为Ⅰ型信号,数据各分量按照一定顺序选择强相关原子库进行稀疏分解,强相关原子库是根据数据分量的动态特性、数学模型构建的冗余原子库,可有效提升数据分量稀疏性,降低数据总稀疏度大小和优化测量矩阵规模,数据压缩采样数据量更少。为增强数据压缩采样实时性,通过设置内积常数以减少原子库子集的规模、采用智能算法加快原子匹配追踪、采用正交投影矩阵更新代替稀疏分解的最小二乘法避免多次求解逆矩阵等措施,降低数据分量稀疏分解的时间。最后,对脉冲数据分量采用信号共振稀疏分解（RBSSD）进行增强提取,对需监测的弱数据分量幅值进行增幅,并采用谐波滤除（HF）算法进行滤除,有效提高数据分量重构精度。通过算例分析,验证了对Ⅰ型信号进行压缩采样的精确性和有效性。（2）针对Ⅱ型信号（即数据只含类基波信号、短期变动信号）,提出一种采用低秩矩阵填充理论实现智能电网海量数据轻型采样的方法。采用深度学习网络对数据进行快速模式识别,数据为Ⅱ型信号,数据由算子Ξ组成Hankel矩阵,基于低秩Hankel矩阵对数据进行非均匀采样,减少数据采样量。首先,对信号数据组成Hankel矩阵的低秩性进行了严格数学证明,得出智能电网海量数据具有低秩性。数据非均匀采样点由算子Ξ组成部分元素被观测待恢复的Hankel矩阵,采用矩阵填充恢复算法恢复矩阵,对恢复矩阵副对角线元素求平均值恢复信号,恢复信号相对误差满足要求时,将数据非均匀采样点的位置形成位串uv,可用于快速确定观测时窗后数据的非均匀采样点。最后,针对采用随机采样矩阵确定数据非均匀采样点存在随机性、计算量大等缺点,采用斜率差绝对值（AVGD）方法可快速确定数据非均匀采样点,低秩矩阵填充还可利用数据周期性、对称性、奇偶性等特征,简化确定数据非均匀采样点的计算。通过算例分析,验证了对Ⅱ型信号采用基于低秩Hanel矩阵的非均匀采样方法的精确性和有效性。（3）针对智能电网海量数据轻型传输,提出基于最少特征信息传输原理的智能电网海量数据轻型传输方法。数据为Ⅰ型信号,数据压缩测量值采用重构算法,对数据稀疏表示向量进行重构,稀疏表示向量经分析和插值修正得数据分量特征参数,提取特征参数和稀疏表示向量非零系数二者中参数少的为数据分量最少特征信息;数据为Ⅱ型信号,数据非均匀采样点由算子Ξ组成部分元素被观测待恢复的低秩Hankel矩阵,采用矩阵填充恢复算法恢复矩阵,并经矩阵奇异值分解得非零奇异值为数据最少特征信息。然后,定义特征模式分组编码和模式特征向量映射规则,利用融合技术将异构最少特征信息进行融合,采用采样值传输协议进行报文封装,生成遵循IEC61850-9-2标准的采样最少特征值轻型协议数据进行网络传输,实现通信网络数据标准化、高度集成与共享。通过设置虚拟局域标识（VID）,避免数据帧大范围广播传输,造成网络风暴和堵塞,节省网络资源,采用动态带宽分配（DBA）算法对网络带宽进行动态分配,优先保证高优先级报文传输的实时性,减少传输时延和抖动,实现各类报文传输得到合理的网络带宽。最后,介绍轻型协议数据传输到信宿端,执行与信源端生成轻型协议数据相反的操作,通过对轻型协议报文解封、特征解析,根据模式特征向量映射规则重构或恢复模式分量,并叠加快速准确还原原始海量数据。通过算例分析,验证了基于最少特征信息传输原理的智能电网海量数据轻型传输方法的准确性和有效性。（4）基于OPNET网络仿真平台构建智能变电站通信网络模型,进行海量数据网络传输仿真实验,并对网络传输性能进行分析与评估,轻型传输可以有效减轻网络传输负荷,并降低传输延时。然后,对实验室搭建的轻型数据传输物理原型系统与传统数据传输系统进行对比模拟测试,轻型传输系统可以有效降低网络传输流量,传输数据压缩比随模拟采样频率增大而增大。网络仿真实验和物理原型系统动态模拟测试结果,均验证了本文提出的智能电网海量数据轻型化机制的可行性、可靠性及优越性。论文最后对本文结论进行总结,并对未来研究工作进行展望。
张振[5]（2019）在《深度神经网络上的通信优化算法研究》文中研究指明深度神经网络成功应用于图像处理、机器翻译和语音识别等领域。面对日益增长的数据量,分布式训练深度神经网络模型是一个有效解决方案。但是在分布式训练中还存在若干问题。第一,在系统架构方面,目前主流架构是参数服务器架构,它没有根据深度神经网络不同层的特性对计算节点进行区分,造成通信开销过大。第二,在通信数据压缩方面,目前主流方法是梯度稀疏,该方法通信复杂度过高,并且稀疏后梯度值依然较大,增加了通信开销。针对当前深度神经网络在分布式训练下存在的不足,从系统架构和通信数据压缩两个方面,提出了Hourglass架构和Sparse Gradient Compression（稀疏梯度压缩算法）,减少分布式训练深度神经网络的通信开销,加速训练过程,并保证精度损失在1%以内。在Hourglass中,将卷积（CONV）层和全连接（FC）层的计算分配给不同节点。集群中大多数节点用于计算CONV层,其余节点用于计算FC层。Hourglass能充分利用集群中各节点的计算能力,并且使FC层的参数和梯度在FC节点之间进行通信,而不是整个集群。Sparse Gradient Compression包括层次梯度稀疏、梯度量化和延时通信。这项技术具体包括:（1）层次梯度稀疏算法针对现有研究工作通信复杂度较高的问题,将通信复杂度降低到O（8）7)2)9))（n为计算节点数,m为每一字节大小消息所需传输时间）。（2）梯度量化算法将稀疏梯度量化为2-bit值。（3）延时通信算法使每个计算节点执行随机梯度下降算法的多次迭代来计算更多参数更新。实验结果显示,在CIFAR-10,ImageNet,PTB和LibriSpeech数据集上,分别进行了图像分类、语言模型和语音识别实验,证明了Hourglass架构和Sparse Gradient Compression的有效性。在多个数据集和深度神经网络模型下,相比于不同任务的当前最优结果,Hourglass架构和Sparse Gradient Compression在训练速度方面提升了约2至15倍,在通信数据压缩比方面提升了约2至8倍,同时保证精度损失在1%以内。
俞普[6]（2019）在《数字RoF系统中提高数据传输效率的压缩方法研究》文中进行了进一步梳理光载无线通信（Radio over Fiber,RoF）作为一种传输高频无线信号廉价且有效的传输技术,在5G通信中备受工业界以及诸多研究者的关注。其中,数字射频光载无线（Digital Radio over Fiber,D-RoF）技术在基站中加入了数模转换模块,增加了基站的处理功能,将射频模拟带通信号转换成数字信号调制到光纤传输系统中传输。D-RoF技术的优势在于数字光纤链路性能比较稳定,非线性和色散影响小并且便于补偿,适合于较长距离的高性能传输。然而在D-RoF系统中,模拟信号在经过模数转换以及量化编码之后,数据量会随着量化位数增加而迅速膨胀,导致了该技术在实际场景中传输成本高且传输效率低的问题。针对D-RoF系统存在的问题,为了提高数据传输效率,本文的主要工作如下:1.针对D-RoF系统的量化编码以及解码反量化过程,提出了一种快速统计估计联合矢量量化的多维量化（Fast Statistical Estimation with Vector Quantization,FSE-VQ）方法,并对其进行了仿真验证与复杂度分析。该方法首先利用压扩变换将高斯分布的数据转化为均匀分布的数据,其次在矢量构建的过程中利用合理的分组方式消除信号间的数据关联性,再结合矢量量化技术提高数据压缩效率与系统性能。2.本文提出的FSE-VQ算法从系统的误差矢量幅度（Error Vector Magnitude,EVM）性能以及时间复杂度两个角度出发,与快速统计估计算法（Fast Statistical Estimation,FSE）、劳埃德算法（Lloyd）以及基于K均值聚类（k-means）的多维量化算法进行了对比分析。FSE-VQ算法能够在每个采样点仅为6位量化位数时达到FSE以及Lloyd算法在每个采样点8位量化位数时的EVM,说明FSE-VQ算法能够在该情况下减少25%数据量。相较于k-means算法,在相同量化位数下,两者的EVM性能基本相同;而从时间复杂度的角度来考虑,本文提出的FSE-VQ算法在量化阶段获取码本时无需进行多次迭代,因而拥有较低的时间复杂度。综上所述,FSE-VQ算法兼顾了系统性能与时间复杂度,有利于其在实时传输场景中的应用。
刘明辉[7]（2019）在《无人机高速数据链关键技术研究》文中指出无人机已经成为当今各国热点研究的武器装备,它具有体积小、部署灵活、零伤亡的优点,符合现代作战理念。无人机已经成为信息化战场中的一支奇兵。数据链是无人机平台重要的组成部分,它是连通无人机平台与指控中心的纽带,是进行信息共享、监控指挥、打击效果反馈的核心手段。高速数据链是当前世界军事强国在军事通信领域的重点研究领域。随着战场环境的改变,无人机协同化和隐身化的发展趋势,光电传感器和雷达设备的性能提升,数据链面临大数据视频信息实时交互、低截获、高可靠等诸多挑战,现有数据链已经无法满足未来高强度对抗的军事需求。高速、实时、可靠数据链成为当下无人机相关技术热点科研内容。本论文针对无人机高速数据链的现有架构和大容量通信需求进行了分析及归纳,并对涉及到的大容量视频数据的信源数据压缩、高速可靠的信道编码、多载波技术、微带滤波器及抗干扰及低截获的定向通信等关键技术进行了研究。本文的主要工作及成果如下:（1）针对未来高强度战争抗干扰、低截获、大容量实时传输及隐身性等要求,分析了现有数据链技术架构,提出了一种无人机高速数据链的新型架构,并对其中关键技术进行分析。（2）针对无人机高速数据链的大容量视频数据实时可靠传输需求,开展对高效率的视频信息编码及码率分配算法的研究,选用更高压缩效率的H.265/HEVC作为信源编码。并提出了一种基于视频帧层相关信息的帧层比特分配算法,率失真性能增量约为0.131dB,可以较好地维持压缩后数据码率与目标码率的一致性,提高了编码效率。（3）针对无人机数据链的高速传输需求,研究了LT码与OFDM多载波传输技术。结合LT码及OFDM调制技术的优点,设计了一种基于OFDM多载波调制与LT码相结合的数据链编码调制系统。该方案提高了无人机高速数据链通信鲁棒性、降低了系统复杂度。并提出一种基于LT码置换映射的降峰均比算法,结合分组排列与相位旋转矢量,通过传输信号中PAPR最小的符号来降低PAPR,在CCDF为10-4时,PAPR由12.2 dB降为8.9dB。（4）为满足无人机数据链小型化要求,设计了一种双模谐振器结构,具有体积小、重量轻的优点,并利用奇偶模分析法对其进行分解,使其谐振频率可以灵活地控制,从而使滤波器的设计更加灵活。同时为了进一步提升滤波器通带外的隔离抑制度,通过引入源和负载耦合技术,使滤波器具有独立可控的传输零点,3dB相对带宽为15.7%,提高了带通滤波器带外抑制能力,体积小,性能优良。（5）为提升无人机高速数据链的抗干扰、低截获、高速率的能力,采用定向通信作为主通信链路,研究并设计了一种基于溅散板馈源的反射面天线,通过对副反射面赋形并使用溅散板馈源介质支撑镜,实现馈源的远场辐射方向图在一定范围内等化。同时使溅散板馈源天线的主面口径场的幅度均匀分布、相位等相分布,增益为27.42dBi,旁瓣电平为-23.48dB,最大驻波比为1.09,具有高增益、低旁瓣、驻波性能好等优点。
廖强[8]（2019）在《船舶航行数据记录仪语音压缩系统的设计与实现》文中研究说明为了加强对船舶的安全监督管理,保障船员在海上的人身和财产安全,根据国际海事组织（International Maritime Organization,IMO）A.861（20）号决议及我国交通部海事局的有关规定,国际航行及沿海航行船舶都必须安装船舶航行数据记录仪（Voyage Data Recoder,VDR）。VDR是一种实时记录和存储船舶航行过程中船舶系统重要数据以及周围海洋环境相关信息的智能化记录仪器。根据IMO相关标准要求,驾驶舱等关键舱室的声音以及船舶通信的甚高频（Very High Frequency,VHF）通讯语音信号是VDR必须记录的数据。当船舶发生事故后,VDR中的音频数据是调查分析事故发生原因以及过程的重要依据。这些音频数据占用大量的存储空间,因此选用合适的平台和算法对这些音频数据进行压缩,使VDR在有限的空间内存储更多的数据,具有重要意义。本文对VDR多路语音压缩的现状及问题进行分析,结合IMO以及IEC61996文件的相关标准要求,确定了以ARM+FPGA的异构多核片上系统Zynq作为VDR语音压缩系统的核心处理器,以MP3算法作为本系统的压缩算法,并通过软硬件协同设计的方法完成了 VDR音频压缩系统的总体设计。本文在Zynq的ARM处理器系统（Processing System,PS）中以软件实现音频采集及以太网设备的控制,而将涉及大量并行计算的多路语音压缩在Zynq的可编程逻辑（Progarmmable Logic,PL）中以硬件实现,充分发挥FPGA的并行计算能力强、运算稳定可靠的优势。由于MP3算法运算复杂,该算法的功能实现需要大量的硬件资源。本文根据MP3算法的原理,结合VDR对语音信号回放质量的要求,对该压缩算法进行了优化,在保证语音回放质量的同时,节省了算法功能实现所需要的硬件资源。然后根据优化后的MP3算法的原理,在Vivado集成开发环境下,结合FPGA并行计算、流水线等技术手段,完成了该压缩编码算法的FPGA硬件结构设计与仿真。针对VDR多路音频数据传输问题,本文设计了异构核之间音频数据传输的方案,实现了 8路音频数据从PL到PS的高速传输,设计并完成了 PS端音频数据以太网传输程序以及存储端接收软件,实现了 VDR音频数据的接收与存储。最后在Zedboard开发板上搭建了音频采集、压缩、传输和存储的软硬件系统,对本文所设计的系统进行验证与测试。测试结果表明,本文设计的系统符合IMO相关标准要求。
顾弘毅[9]（2019）在《基于卷积神经网络的麦克风阵列DOA估计算法研究》文中认为麦克风阵列在人们的日常生活中扮演着重要的角色,基于麦克风阵列的波达方向（DOA,Direction of Arrival）估计的应用也日益广泛。但目前主流的DOA估计算法普遍存在一些缺陷,例如在信噪比低、混响强的环境中性能下降严重,估计算法的计算复杂度高,阵列误差情况下算法失效等问题。为了解决上述问题,本文研究了卷积神经网络在麦克风阵列DOA估计方面的应用,卷积神经网络是深度学习中一种具有代表性的神经网络,深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,使用深度学习的DOA估计算法相较与传统算法不仅在低信噪比和混响条件下有更强的鲁棒性,并且对阵列误差条件下具有相当强的稳健性。本文研究了卷积神经网络及其改进网络在DOA估计问题中的应用,主要针对噪声、混响和阵列误差条件下性能下降的问题,主要工作如下:1、研究了一种基于卷积神经网络的多窄带声源DOA估计算法,通过数个基于CNN的自动编码器,将DOA估计范围分为对应数量的子区间,再通过由CNN构成的多任务分类器,得到空间谱结构的DOA估计结果。算法在低信噪比下的多声源DOA估计问题上有很强的鲁棒性和准确性。2、使用残差神经网络对噪声和混响条件下的麦克风阵列信号DOA估计,提出使用基于欧几里得距离的代价函数进行回归建模,使DOA结果更直观,在恶劣环境下的性能优于其他深度学习的DOA估计算法。在此基础上,在阵列误差条件下对DOA估计算法进行了测试,使用残差网络的DOA算法稳健性要明显强于其它算法。3、出于加速神经网络训练过程,简化神经网络结构的目的,研究了一种基于受限玻尔兹曼机自动编码器的数据压缩结构,自动编码器使用纯净-嘈杂数据对作为数据集训练,有效地解决了神经网络算法训练缓慢的问题,提升了强噪声环境中的DOA性能。4、在消声室环境下搭建了实测实验平台,分别测试了上述三种算法的性能。
袁亚洲[10]（2016）在《矿下异构无线网络资源优化关键技术研究》文中研究说明与传统的工业监控系统相比,矿下安全生产监控平台所使用的网络技术应具有更强的可靠性和实时性,此外,随着煤层的掘进开采,相关的区域空间环境变化较大,因此所应用的网络技术需具备灵活的扩展性以及部署性。面向矿下应用的安全监控平台主要完成以下功能:通过构建的通信网络连续实时传输全矿井各个监测点的环境参数、人员位置信息和机电设备的运行状态,并对监测到的各类数据进行分析、处理、显示和存储,同时需要对机电设备进行远程开停控制。对于上述功能需求,可靠性与实时性是评价网络性能的关键指标,它们直接影响着整个监控系统对生产数据监测感知及响应性能。但是对于空间环境变化较大、粉尘区域较多且覆盖浓度不规则的矿下巷道环境来说,网络的可靠性及实时性是无线异构技术应用到现场中一个亟待解决而又具有挑战的问题。考虑到异构网络中的资源调度方法对提升矿下通信系统效率的重要性,本文主要从如何提高网络的普适性、可靠性以及实时性来研究适用于矿下生产的关键网络通信技术,以达到网络资源充分利用,异构子网互联互通的最终目的。利用异构网络的灵活性与适变性,本文探索了无线异构网络可靠传输与多元网络资源管理的科学方法,通过异构网络融合技术建立无线网络面向矿下安全监控应用的硬件系统与协议体系。对于传统的无线传感器网络来说,为避免接入时隙的冲突,需要进行时钟同步或者其他网络调度信息的传输,交互过程会耗费大量宝贵的网络频谱资源,而基于有线/无线异构网络的通信网络可以最大程度的避免空中射频的冲突,子网间的同步或者资源共享可以通过连接到有线主干网的网关设备进行交互处理,利用有线网络通信介质封闭不易受外界干扰的特性可以保证同步的精确性以及资源调度的时效性。本文以矿下异构无线网络中的共性关键技术为研究对象,针对工业环境下无线网络的稳定性,异构网络的独立性及多约束下的性能优化,根据矿下应用的具体特点,提出了分区、分层的网络体系结构,针对相应的网络拓扑结构设计了资源调度策略,并提出了基于多射频技术的数据包调度方法。此外,由于实际工程中底层通信接口不统一,需要网络可输入不同子网信息以及进行数据交互。为解决异构网络中不同子网间的数据交互问题,避免数据传输的过程中的信息乱序,本文通过研究基于优先级的异构数据转换方法以及类型匹配方法,实现智能的协议转换及转发,无需复杂的配置,就能达到系统结构和性能的优化。同时在现有系统通信带宽的前提下,提出了基于采样数据幅频特性的实时压缩算法与基于采样数据相关性的压缩算法。通过数据流的在线处理,有效地提高了网络传输的实际吞吐量。针对矿下安全生产系统对定位服务的特殊需求,设计了基于惯性传感器及射频飞行时间差测距相结合的定位方案。该方案充分利用异构网络的优势,通过构建高速有线主干网共享节点调度信息,可以实现对移动节点接入时隙的精确控制,达到了高精度、低功耗的实际需求。
二、Companding语音数据压缩算法分析及改进（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、Companding语音数据压缩算法分析及改进（论文提纲范文）
（1）基于节律特征约束的脑电数据图像压缩和复原（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究意义及背景 |
| 1.2 脑电数据压缩和复原的研究现状 |
| 1.3 论文内容及结构 |
| 2 常用的脑电数据节律特征提取及压缩复原方法 |
| 2.1 脑电数据特征及常用特征提取方法 |
| 2.1.1 脑电数据特征 |
| 2.1.2 常用节律特征提取方法 |
| 2.2 脑电数据压缩方法 |
| 2.3 基于深度学习的脑电数据复原方法 |
| 2.4 量化评价标准 |
| 2.5 本章小结 |
| 3 基于节律波特征的脑电数据压缩 |
| 3.1 脑电数据的采集与节律波提取 |
| 3.1.1 脑电数据采集 |
| 3.1.2 节律波提取 |
| 3.2 节律波的图像化处理 |
| 3.2.1 节律波排列 |
| 3.2.2 图像转化 |
| 3.3 基于JPEG2000 的脑电节律波图像压缩 |
| 3.4 基于压缩图像的脑电节律波分析与评价 |
| 3.5 本章小结 |
| 4 基于深度学习的脑电数据复原 |
| 4.1 脑电数据复原网络 |
| 4.1.1 基于JPEG2000 图像压缩的数据集生成 |
| 4.1.2 网络模型 |
| 4.2 脑电数据复原网络细节 |
| 4.3 网络实现和结果 |
| 4.3.1 实验环境与参数设置 |
| 4.3.2 复原脑电节律数据的分析与评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（2）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）无损数据压缩IP设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无损压缩算法的研究现状 |
| 1.2.2 存在的问题及差距分析 |
| 1.3 本文的主要研究工作 |
| 1.4 本文章节安排 |
| 第2章 相关理论和技术 |
| 2.1 空间科学数据的特征 |
| 2.2 信息论基础 |
| 2.3 数据压缩技术 |
| 2.3.1 压缩的评价标准 |
| 2.3.2 数据压缩的分类 |
| 2.4 常用的无损压缩算法 |
| 2.4.1 基于统计的压缩算法 |
| 2.4.2 基于字典的压缩算法 |
| 2.5 本章小结 |
| 第3章 无损数据压缩方案设计 |
| 3.1 压缩与解压缩过程 |
| 3.2 预测与还原设计 |
| 3.2.1 线性一阶单位时间延迟预测法 |
| 3.2.2 隐马尔科夫预测法 |
| 3.2.3 位重组构造零块法 |
| 3.2.4 分块设计思想的引入 |
| 3.3 编码及解码的研究和设计 |
| 3.3.1 k值选择机制的探索 |
| 3.3.2 模式自适应选择机制 |
| 3.3.3 高熵模式下的编码 |
| 3.3.4 低熵模式下的编码 |
| 3.3.5 码表的结构 |
| 3.4 压缩方案测试 |
| 3.5 本章小结 |
| 第4章 无损数据压缩IP设计与实现 |
| 4.1 硬件实现方案 |
| 4.2 FPGA设计与实现 |
| 4.2.1 顶层模块 |
| 4.2.2 误差计算及映射模块 |
| 4.2.3 统计变量更新模块 |
| 4.2.4 模式选择模块 |
| 4.2.5 高熵模式模块 |
| 4.2.6 低熵模式模块 |
| 4.2.7 码流整合模块 |
| 4.2.8 时序说明 |
| 4.3 本章小结 |
| 第5章 无损数据压缩IP功能仿真测试 |
| 5.1 输出正确性验证 |
| 5.2 功能仿真验证 |
| 5.2.1 顶层模块 |
| 5.2.2 误差计算及映射模块 |
| 5.2.3 统计变量更新模块 |
| 5.2.4 模式选择模块 |
| 5.2.5 高熵编码和低熵编码 |
| 5.3 关键性能指标评估 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）智能电网海量数据轻型化方法研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 数据采样技术研究现状 |
| 1.2.2 数据传输技术研究现状 |
| 1.2.3 电力信息通信技术研究现状 |
| 1.3 课题研究发展趋势 |
| 1.4 本文主要研究工作 |
| 第2章 智能电网海量数据轻型化机制研究 |
| 2.1 引言 |
| 2.2 海量数据轻型化机理分析 |
| 2.3 海量数据轻型化技术方案 |
| 2.3.1 海量数据轻型化机理分析及传输带宽分配策略 |
| 2.3.2 电物理量数据轻型采样 |
| 2.3.3 电物理量数据最少特征信息提取 |
| 2.3.4 多通信协议环境下轻型协议数据生成 |
| 2.3.5 轻型协议数据特征解析与数据还原 |
| 2.4 海量数据轻型化技术内核 |
| 2.5 海量数据轻型化机制可行性分析 |
| 2.5.1 可行性分析 |
| 2.5.2 可靠性分析 |
| 2.6 小结 |
| 第3章 智能电网海量数据压缩采样方法研究 |
| 3.1 引言 |
| 3.2 典型电物理量信号分析 |
| 3.2.1 电能质量概述 |
| 3.2.2 稳态电物理信号 |
| 3.2.3 暂态电物理信号 |
| 3.3 电能质量扰动检测 |
| 3.4 信号模式识别 |
| 3.4.1 长短时记忆网络LSTM |
| 3.4.2 LSTM网络模式识别 |
| 3.5 电物理信号稀疏表示 |
| 3.5.1 构建电物理信号原子库 |
| 3.5.2 快速原子稀疏分解算法 |
| 3.5.3 脉冲信号提取稀疏分解 |
| 3.5.4 弱信号提取及稀疏分解 |
| 3.6 海量电物理数据压缩采样方法 |
| 3.7 算例分析1 |
| 3.7.1 数据样本集构造 |
| 3.7.2 LSTM对样本全标注训练 |
| 3.7.3 电物理信号模式识别方法性能比较 |
| 3.7.4 电物理信号原子库构建 |
| 3.7.5 电物理信号扰动检测 |
| 3.7.6 电物理信号压缩采样 |
| 3.8 算例分析2 |
| 3.9 小结 |
| 第4章 智能电网海量数据基于低秩Hankel矩阵的非均匀采样方法研究 |
| 4.1 引言 |
| 4.2 电物理信号低秩矩阵填充 |
| 4.3 电物理信号量测数据低秩性证明 |
| 4.4 低秩矩阵填充理论 |
| 4.5 低秩矩阵填充恢复算法 |
| 4.6 电物理信号非均匀采样点确定 |
| 4.6.1 采用最优随机采样矩阵确定信号非均匀采样点 |
| 4.6.2 采用AVGD确定信号非均匀采样点 |
| 4.7 电物理信号轻型采样方法 |
| 4.8 算例分析 |
| 4.8.1 电物理信号轻型采样 |
| 4.8.2 主要间谐波轻型采样 |
| 4.9 小结 |
| 第5章 智能电网海量数据轻型传输方法研究 |
| 5.1 引言 |
| 5.2 最少特征信息提取 |
| 5.2.1 最少特征信息非零奇异值 |
| 5.2.2 最少特征信息稀疏表示非零系数或特征参数 |
| 5.2.3 谐波信号稀疏性分析 |
| 5.2.4 信号稀疏表示系数与特征参数关系 |
| 5.3 轻型协议数据生成机制 |
| 5.3.1 最少特征信息分组编码 |
| 5.3.2 模式特征向量映射 |
| 5.3.3 抽象通信服务映射 |
| 5.3.4 轻型协议数据生成 |
| 5.3.5 轻型协议数据传输服务模型 |
| 5.4 稀疏表示非零系数位置位串传输服务模型 |
| 5.5 数据传输带宽动态分配算法 |
| 5.6 轻型协议数据特征解析数据还原 |
| 5.7 算例分析 |
| 5.8 小结 |
| 第6章 智能电网海量数据轻型传输实验研究 |
| 6.1 引言 |
| 6.2 网络仿真实验研究 |
| 6.2.1 OPNET网络仿真平台 |
| 6.2.2 智能变电站通信网络结构 |
| 6.2.3 通信网络建模 |
| 6.2.4 网络仿真实验分析 |
| 6.3 模拟测试实验研究 |
| 6.4 小结 |
| 第7章 结论与展望 |
| 7.1 本文主要结论 |
| 7.2 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的科研成果目录 |
| 致谢 |
| 附录 模拟测试实验平台 |
（5）深度神经网络上的通信优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.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 论文框架结构 |
| 2.分布式深度学习理论基础 |
| 2.1 深度神经网络 |
| 2.2 分布式小批量随机梯度下降算法 |
| 2.3 延时同步并行算法 |
| 2.4 本章小结 |
| 3.基于层特性划分节点的架构设计与实现 |
| 3.1 通信优化问题理论分析 |
| 3.2 初步实验观察 |
| 3.3 Hourglass架构整体设计 |
| 3.4 Hourglass架构通信策略细节 |
| 3.5 Hourglass架构最优计算节点数量分配 |
| 3.6 本章小结 |
| 4.基于层次化结构的稀疏梯度压缩算法 |
| 4.1 梯度稀疏算法 |
| 4.2 梯度量化算法 |
| 4.3 延时通信 |
| 4.4 本章小结 |
| 5.系统测试和性能分析 |
| 5.1 实验环境与数据集 |
| 5.2 Hourglass架构性能测试 |
| 5.3 稀疏梯度压缩算法性能测试 |
| 5.4 Hourglass架构结合稀疏梯度压缩算法性能测试 |
| 5.5 本章小结 |
| 6.总结与展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士期间申请的发明专利目录 |
| 附录2 攻读硕士学位期间参加的主要科研项目 |
| 附录3 攻读硕士学位期间投稿的论文 |
（6）数字RoF系统中提高数据传输效率的压缩方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 数据压缩的发展现状 |
| 1.3 论文研究内容与主要工作 |
| 1.4 论文组织结构以及章节安排 |
| 第二章 基带数据压缩领域的关键技术 |
| 2.1 数据压缩的分类 |
| 2.1.1 有损压缩与无损压缩 |
| 2.1.2 统计编码与字典编码 |
| 2.2 标量量化技术 |
| 2.3 矢量量化技术 |
| 2.4 数据压缩的性能指标 |
| 2.5 基于快速统计估计的量化方法 |
| 2.6 基于K均值聚类的多维量化方法 |
| 2.7 本章小结 |
| 第三章 数字RoF系统的实现 |
| 3.1 数字RoF系统搭建 |
| 3.2 发送端信号调制模块 |
| 3.3 发送端模数转换及数据压缩模块 |
| 3.4 光传输接收模块 |
| 3.5 接收端数模转换及解压缩模块 |
| 3.6 接收端射频信号解调模块 |
| 3.7 本章小结 |
| 第四章 快速统计估计联合矢量量化的多维量化方法 |
| 4.1 快速统计估计联合矢量量化的多维量化方法实现 |
| 4.2 算法性能分析 |
| 4.3 分组对数据分布的影响 |
| 4.4 信号接收功率对系统EVM的影响 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录一 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 4 发明专利 |
| 学位论文数据集 |
（7）无人机高速数据链关键技术研究（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 研究背景和意义 |
| 1.2 国内外数据链研究现状 |
| 1.2.1 无人机数据链系统的研究现状 |
| 1.2.2 现有无人机数据链存在的不足 |
| 1.3 本论文的研究思路与主要工作 |
| 1.4 本论文的结构安排 |
| 第二章 无人机高速数据链架构分析与设计 |
| 2.1 引言 |
| 2.2 无人机高速数据链改进分析及架构优化设计 |
| 2.2.1 无人机高速数据链改进分析 |
| 2.2.2 无人机高速数据链架构优化设计 |
| 2.3 视频编码 |
| 2.4 喷泉码技术 |
| 2.5 多载波调制技术 |
| 2.6 微带滤波器 |
| 2.6.1 微带线结构 |
| 2.6.2 传输特性 |
| 2.6.3 基本设计指标 |
| 2.7 反射面天线 |
| 2.8 本章小结 |
| 第三章 帧层比特分配算法 |
| 3.1 引言 |
| 3.2 率失真优化技术及它在码率控制中的应用 |
| 3.2.1 率失真优化技术 |
| 3.2.2 率失真优化在码率控制的应用 |
| 3.3 基于率失真特性的H.265/HEVC帧层比特分配算法 |
| 3.3.1 现有比特分配算法分析 |
| 3.3.2 H.265/HEVC帧层位分配 |
| 3.3.3 帧层比特分配算法 |
| 3.3.4 实验结果 |
| 3.4 本章小结 |
| 第四章 基于数字喷泉码置换映射的多载波高效传输技术 |
| 4.1 引言 |
| 4.2 传统基于喷泉码的降低峰均比技术 |
| 4.3 基于LT置换映射的降低峰均比算法 |
| 4.3.1 LT码分组与OFDM符号的置换映射关系 |
| 4.3.2 基于喷泉码置换映射的降低OFDM峰均比算法 |
| 4.3.3 仿真分析 |
| 4.4 本章小结 |
| 第五章 基于双模谐振器的带通滤波器设计 |
| 5.1 引言 |
| 5.2 微波滤波器基础理论分析 |
| 5.2.1 多模谐振结构 |
| 5.2.2 奇偶模理论及应用 |
| 5.3 基于方环SLR的带通滤波器设计 |
| 5.3.1 方环SLR理论分析 |
| 5.3.2 源和负载耦合技术 |
| 5.3.3 带通滤波器设计 |
| 5.4 本章小结 |
| 第六章 溅散板馈源天线设计 |
| 6.1 引言 |
| 6.2 面天线口径场分析 |
| 6.3 溅散板馈源天线设计 |
| 6.3.1 溅散板馈源设计与仿真 |
| 6.3.2 天线的仿真设计与测试结果分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 下一步研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）船舶航行数据记录仪语音压缩系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 船舶航行数据记录仪发展过程及研究现状 |
| 1.3 语音压缩技术发展以及研究现状 |
| 1.3.1 音频压缩算法的分类 |
| 1.3.2 音频压缩的国际标准 |
| 1.4 论文的研究内容及章节安排 |
| 1.4.1 论文的主要研究内容 |
| 1.4.2 论文的章节安排 |
| 2 系统总体方案设计 |
| 2.1 需求分析与总体结构 |
| 2.2 硬件平台 |
| 2.2.1 Zynq系列处理器 |
| 2.2.2 麦克风采集放大模块 |
| 2.2.3 ADC模块 |
| 2.3 MP3编码算法分析 |
| 2.4 无心理声学模型的MP3编码算法 |
| 2.4.1 子带滤波器组 |
| 2.4.2 修正离散余弦变换(MDCT) |
| 2.4.3 比特分配与量化循环 |
| 2.4.4 Huffman编码 |
| 2.4.5 MP3帧格式 |
| 2.5 本章小结 |
| 3 语音信号的采集及压缩编码算法的FPGA设计与实现 |
| 3.1 语音信号采集的FPGA实现 |
| 3.2 MP3编码算法的FPGA实现 |
| 3.2.1 子带滤波器组的设计与实现 |
| 3.2.2 修正离散余弦变换(MDCT)的设计与实现 |
| 3.2.3 比特分配以及量化循环的设计与实现 |
| 3.2.4 编码以及组帧 |
| 3.3 本章小结 |
| 4 音频数据的传输与存储程序设计 |
| 4.1 音频数据打包发送功能的实现 |
| 4.1.1 8路音频数据的打包传输 |
| 4.1.2 异构核之间音频数据传输实现 |
| 4.1.3 Zynq PS端以太网数据传输实现 |
| 4.2 音频数据的存储 |
| 4.3 本章小结 |
| 5 VDR音频压缩系统的硬件验证与测试 |
| 5.1 硬件验证平台 |
| 5.2 硬件验证总体结构 |
| 5.3 系统测试 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（9）基于卷积神经网络的麦克风阵列DOA估计算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号与缩写清单 |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 DOA估计算法分类 |
| 1.3.1 传统DOA估计算法 |
| 1.3.2 基于深度学习的DOA估计算法 |
| 1.4 本文的主要工作及安排 |
| 第2章 DOA估计原理 |
| 2.1 阵列信号模型 |
| 2.1.1 理想信号模型 |
| 2.1.2 实际信号模型 |
| 2.2 语音信号的预处理 |
| 2.2.1 预滤波 |
| 2.2.2 分帧加窗处理 |
| 2.3 常见的传统DOA估计算法 |
| 2.3.1 多重信号分类法 |
| 2.3.2 广义互相关时延估计法 |
| 2.3.3 SRP-PHAT算法 |
| 2.4 本章小结 |
| 第3章 基于卷积神经网络的多声源DOA估计 |
| 3.1 卷积神经网络基本原理 |
| 3.1.1 局部感受野与权值共享 |
| 3.1.2 卷积层与下采样层 |
| 3.1.3 CNN的训练 |
| 3.2 DOA估计方法 |
| 3.2.1 信号模型 |
| 3.2.2 特征提取和数据集构建 |
| 3.2.3 CNN的 DOA估计 |
| 3.3 仿真与分析 |
| 3.3.1 仿真条件 |
| 3.3.2 仿真结果分析 |
| 3.4 本章小结 |
| 第4章 基于残差神经网络的语音DOA估计 |
| 4.1 残差神经网络 |
| 4.1.1 残差结构 |
| 4.1.2 残差神经网络模型 |
| 4.2 DOA估计方法 |
| 4.2.1 信号模型 |
| 4.2.2 基于GCC-PHAT的特征提取 |
| 4.2.3 深层分类器 |
| 4.2.4 ResNet的 DOA估计 |
| 4.3 仿真与分析 |
| 4.3.1 仿真实验条件 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第5章 基于受限玻尔兹曼机数据压缩的DOA估计 |
| 5.1 受限玻尔兹曼机 |
| 5.1.1 二元-二元受限玻尔兹曼机 |
| 5.1.2 高斯-二元受限玻尔兹曼机 |
| 5.2 基于RBM自动编码器 |
| 5.3 DOA估计方法 |
| 5.3.1 阵列信号模型 |
| 5.3.2 数据集构建 |
| 5.3.3 自动编码器与神经网络的连接 |
| 5.4 仿真与分析 |
| 5.4.1 仿真实验条件 |
| 5.4.2 仿真结果分析 |
| 5.5 本章小结 |
| 第6章 DOA估计系统实现 |
| 6.1 实验平台结构 |
| 6.2 实验器材 |
| 6.3 实测结果与仿真结果的对比 |
| 6.3.1 基于CNN的多声源DOA估计 |
| 6.3.2 基于ResNet的 DOA估计 |
| 6.3.3 基于RBM数据压缩的DOA估计 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要科研成果 |
（10）矿下异构无线网络资源优化关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 矿下异构无线网络概述 |
| 1.3 典型无线网络技术 |
| 1.4 本文的主要工作及结构安排 |
| 第二章 矿下异构无线网络关键技术 |
| 2.1 适配矿下监控应用的网络结构 |
| 2.2 适配矿下监控的异构网络关键技术 |
| 2.3 算法综合评估与验证平台构建 |
| 2.4 本章小结 |
| 第三章 面向矿下应用的异构网络资源调度策略 |
| 3.1 基于功能特性的分层网络布置策略 |
| 3.2 基于树形网络的地址分配与路由算法 |
| 3.2.1 网络拓扑 |
| 3.2.2 网络数据包帧格式 |
| 3.2.3 地址分配算法与路由策略 |
| 3.3 适用于临时监测网络的数据包调度策略 |
| 3.3.1 网络结构 |
| 3.3.2 数据包调度策略 |
| 3.4 基于多射频技术的网络资源调度策略 |
| 3.4.1 网络结构 |
| 3.4.2 基于事件响应的调度策略 |
| 3.5 异构网络数据转换技术 |
| 3.5.1 异构数据转换技术概述 |
| 3.5.2 多协议多接口数据自适应转换方法 |
| 3.5.3 具备优先级调度的多协议转换方法 |
| 3.6 本章小结 |
| 第四章 异构网络数据高效传输研究 |
| 4.1 高效传输对数据压缩方法的应用需求 |
| 4.2 基于采样数据幅频特性的压缩算法(AFA) |
| 4.2.1 AFA算法介绍 |
| 4.2.2 压缩算法效果分析 |
| 4.2.3 适配AFA算法的多节点同步采集协议设计 |
| 4.3 基于采样数据相关性的压缩算法 |
| 4.3.1 算法设计的基本思路 |
| 4.3.2 数据帧格式定义 |
| 4.3.3 组合算法实现 |
| 4.3.4 实验分析及算法效果 |
| 4.4 本章小结 |
| 第五章 能耗受限下高精度定位技术研究 |
| 5.1 适用于矿下应用的典型定位技术分析 |
| 5.1.1 基于射频信号强度的定位技术 |
| 5.1.2 基于射频飞行时间的定位技术 |
| 5.1.3 基于加速度传感器的计步定位技术 |
| 5.1.4 定位性能评价与定位方案的选择 |
| 5.2 低功耗定位算法研究 |
| 5.2.1 系统概述 |
| 5.2.2 基于惯性传感器的计步方法 |
| 5.2.3 混合定位策略 |
| 5.2.4 适用于移动节点的功率控制方法 |
| 5.3 实验分析及算法效果 |
| 5.3.1 周期数量设置与节点功耗的关系 |
| 5.3.2 睡眠时间对系统功耗的影响 |
| 5.3.3 系统误差分析 |
| 5.3.4 不同定位方法功耗分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士期间参与的科研项目 |
四、Companding语音数据压缩算法分析及改进（论文参考文献）
- [1]基于节律特征约束的脑电数据图像压缩和复原[D]. 白慧敏. 中北大学, 2021(09)
- [2]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [3]无损数据压缩IP设计与实现[D]. 王颖. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)
- [4]智能电网海量数据轻型化方法研究[D]. 周学斌. 武汉大学, 2020(03)
- [5]深度神经网络上的通信优化算法研究[D]. 张振. 华中科技大学, 2019(03)
- [6]数字RoF系统中提高数据传输效率的压缩方法研究[D]. 俞普. 浙江工业大学, 2019(03)
- [7]无人机高速数据链关键技术研究[D]. 刘明辉. 西安电子科技大学, 2019(02)
- [8]船舶航行数据记录仪语音压缩系统的设计与实现[D]. 廖强. 大连海事大学, 2019(06)
- [9]基于卷积神经网络的麦克风阵列DOA估计算法研究[D]. 顾弘毅. 南京信息工程大学, 2019(03)
- [10]矿下异构无线网络资源优化关键技术研究[D]. 袁亚洲. 上海交通大学, 2016(03)