摘要：语音合成和转换技术的不断更迭对声纹识别系统产生重大威胁。针对现有语音欺骗检测方法中难以适应多种欺骗类型,对未知欺骗攻击检测能力不足的问题,提出了一种结合卷积神经网络(Convolutional Neural Network,CNN)与Transformer的欺骗语音检测模型。设计基于坐标注意力(Coordinate Attention,CA)嵌入的SE-ResNet18的位置感知特征序列提取网络,将语音信号局部时频表示映射为高维特征序列并引入二维位置编码(two-Dimensional Position Encoding,2D-PE)保留特征之间的相对位置关系;提出多尺度自注意力机制从多个尺度建模特征序列之间的长期依赖关系,解决Transformer难以捕捉局部依赖的问题;引入特征序列池化(Sequence Pooling,SeqPool)提取话语级特征,保留Transformer层输出帧级特征序列之间的相关性信息。在ASVspoof2019大赛官方逻辑访问(Logic Access,LA)数据集的实验结果表明,提出的方法相对于当前先进的欺骗语音检测系统,等错误率(Equal Error Rate,EER)平均降低12.83%,串联检测成本函数(tandem Detection Cost Function,t-DCF)平均降低7.81%。

摘要：针对卷积神经网络(Convolutional Neural Network,CNN)过去在语音增强中表现优异但对全局特征捕获不足,以及Transformer近年展现出长序列间依赖优势但又存在局部细节特征丢失、参数量大等问题,该文为了充分利用CNN与Transformer的优势并弥补各自不足,提出了一种在复频谱映射下的新型卷积模块与高效Transformer融合的单通道语音增强网络。该网络由编码层、传输层与双分支解码层组成:在编解码部分设计了一种协作学习模块(Collaborative Learning Block,CLB)来监督交互信息,在减少参数量的同时提高主干网络对复特征的获取能力;传输层中则提出一种时频空间注意Transformer模块分别对语音子频带和全频带信息建模,充分利用声学特性来模拟局部频谱模式并捕获谐波间依赖关系。将该模块进一步与通道注意分支相结合,设计了一种可学习的双分支注意融合(Dual-branch Attention Fusion,DAF)机制,从空间-通道角度提取上下文特征以加强信息的多维度传输;最后,在此基础上搭建一种高斯加权渐进网络作为中间传输层,通过堆叠DAF模块进行加权求和后输出以充分利用深层特征,使得解码过程更具鲁棒性。分别在英文VoiceBank-DEMAND数据集、中文THCHS30语料库与115种环境噪声下进行消融以及综合对比实验,结果表明,该文方法仅以最小0.68×10^(6)的参数量,相比于大部分最新相关网络模型取得了更优的主、客观指标,具有较为突出的增强性能与泛化能力。

摘要：针对传统多载波混沌键控系统中传输速率低、误码性能差的问题,提出一种无信号间干扰的多载波降噪差分混沌移位键控(NISI-MC-NRDCSK)方案。通过设计的正交混沌信号发生器得到两路时域正交的混沌载波信号,从而实现无信号间干扰的目的;同时,引入多个预定义的子载波和正交调制技术进一步提高系统的传输速率;接收端利用滑动平均滤波器对接收信号进行平均降噪,可改善系统的误码性能。推导了AWGN信道和多径瑞利衰落信道下的理论BER公式并进行了蒙特卡洛仿真实验,研究结果显示:仿真结果与理论分析基本一致,且系统有较强的抗噪声性能和抗多径干扰能力;相比于传统多载波差分混沌移位键控(MC-DCSK)系统,相同载波数下文中所提NISI-MC-NRDCSK系统的传输速率提高了4倍,相同误码性能下的信噪比可提升近3 dB。

摘要：针对蚁群算法应用于路径规划过程中存在算法收敛速度慢、易陷入局部最优等缺陷,提出一种适用于AGV路径规划的改进蚁群算法。根据距离在栅格地图上差异化分布初始信息素浓度,避免蚁群前期进行盲目搜索,加快算法收敛速度;综合当前栅格与待选栅格之间的距离以及待选栅格与目标栅格之间的距离改进启发式函数,增加蚁群寻路方向性;引入动态启发因子,避免算法发生“早熟”现象以及陷入局部最优;对每个栅格的邻近栅格进行方向标号,增加最优路径与障碍物之间的距离,增强最优路径的安全性,同时避免“死角”现象发生,提升算法的鲁棒性。实验仿真结果表明,在相同环境下,改进算法在AGV路径规划中搜索效率和迭代稳定性方面均优于其它算法。

摘要：针对相关延迟移位键控系统(CDSK)传输效率较差的缺点,设计出一种基于施密特正交降噪改进型多用户多进制相关延迟移位键控(NR-I-MUMA-CDSK)混沌通信系统。该系统在发送端利用施密特正交化产生N组不同的正交混沌序列,将产生的序列分别复制P次,结合多进制信息映射和多载波技术,使每个用户可以携带K个数据比特,并设计将N个用户信息通过N个不同正交混沌信号承载叠加后,在一条载波上进行传输,提升系统的传输速率和能量效率。接收端采用滑动平均滤波器处理信号,使噪声方差由N_(0)/2降低至N_(0)/2P,减小噪声干扰,进而减小系统误码率。对该系统在加性高斯白噪声(AWGN)信道和Rayleigh衰落信道下分别进行了理论公式推导和系统仿真分析。结果显示,相比CDSK文中系统提高了系统的信息传输速率和能量效率,且信息传输速率随N和K不断提升,同时随着K的增加,平均比特能量减少了接近100%。文中还对不同参数对系统误码率的影响进行仿真验证,结果表明系统误码率在两种信道下,均与P和进制数M成反比,与N和R成正比,与理论公式推导结果一致;同时在Ray-leigh衰落信道下对路径数L和不同路径增益下进行仿真,验证了路径数和路径增益对误码率的影响。相较于多种混沌通信系统,文中系统误码率大大降低,且系统误码率随着M的增大而减小,证明了该系统具有很好的理论价值及实际工程意义。

摘要：针对多进制差分混沌移位键控系统传输速率较小且误码率(BER)较差的缺点,该文提出一种扩容型正交抑噪多进差分混沌移位键控(DCSK)通信系统。在该系统的发送端设计了一种改进型混沌基信号发生器,可产生4组正交的混沌基信号,使得通信容量极大提升。定义综合效用函数,并引入粒子群算法对系统各参数优化。对该系统在加性高斯白噪声(AWGN)和Rayleigh衰落信道下理论误码率公式进行推导及系统仿真同时对比不同系统的综合效用函数。结果表明,该系统具有更低的误码率和更优综合效用,具有较好的实际应用价值。

摘要：针对脉冲噪声中的信号检测问题,该文提出一种基于指数函数的非线性变换函数设计与优化方法。该方法利用指数函数衰减速度可调的优点,适用于脉冲噪声的各种分布模型。通过引入效能函数,将非线性函数设计问题转化为以效能最大化为目标的阈值与底数参数优化问题。由于效能是关于待优化参数的连续可导且单峰函数,该优化问题可采用数值优化方法如单纯形法快速稳健地求解。性能分析表明,针对脉冲噪声常用的对称α稳定分布、Class A分布和高斯混合分布,该文方法均能取得基本最优检测性能,基于实测大气噪声仿真的通信误码率也明显优于传统的削波器和置零器。因此,该文为各种分布的脉冲噪声提供了一个统一的最优抑制解决方法。

摘要：针对Unet频域歌声分离网络模型对语音时序信息的捕获困难以及底层特征利用率不高的问题,设计了一种相比于基线Unet网络参数量更小且歌声分离效果更好的卷积神经网络。首先设计了一种残差分组扩张卷积结合压缩激励模块,并将其引入到编码和解码阶段,该模块在参数量减少和增大网络感受野的同时自适应学习不同通道的重要特征,不但增强了有用特征,而且还抑制了无用特征。其次在传输层将线性门控单元采用密集相加连接来增强网络在特征传递过程中对时序特征的获取,并且使用扩张卷积来代替普通卷积以扩大网络的感受野。最后使用注意力门控机制来代替基线Unet中的跳跃连接以加强网络对底层特征的利用。在Ccmixter和MUSDB18数据集中进行实验,与基线网络相比,歌声分离的性能指标都有提升,并且其参数量大约只有基线网络的1/5。

摘要：针对传统全数字域的解相干算法无法直接运用于混合波束赋形场景的问题,设计了一种混合波束赋形下的解相干方案。在模拟域,基于设计的码本波束,提出一种新的模拟波束赋形方案,分别搜索与每个信号方向最为接近的波束,形成波束集合,利用所得到的波束集合,对阵列接收信号分别进行模拟波束赋形得到一级输出。在数字域,提出“阵列信号重构”的思想,对一级输出进行阵列信号重构,将重构信号作为输入,进行空间平滑处理,在相干干扰方向和非相干干扰方向均可形成较深的“零陷”。通过理论分析和仿真,对不同方案的波束方向图、信干噪比、频谱效率等性能进行了研究。结果表明,所提出的混合波束赋形方案的信干噪比和频谱效率等性能几乎逼近于纯数字波束赋形方案。

摘要：在大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统中,混合连接天线结构结合全连接和部分连接的结构优势,能更好地平衡频谱效率和能量效率。但是当前该结构的混合预编码算法繁杂。针对这一问题,研究混合连接天线结构的低复杂度混合预编码算法设计。为了简化该结构的混合预编码算法,将信道矩阵划分成一系列子信道矩阵,分别对每一个子信道矩阵采用交替迭代矩阵分解(Alternating Iterative Matrix Decomposition,Alt-IMD)算法求解最优混合预编码矩阵。通过理论分析该算法复杂度,并且通过仿真实验分别对全连接天线结构、部分连接天线结构混合预编码算法、混合预编码算法的频谱效率和能量效率进行对比。结果表明:与当前混合预编码算法相比,该算法能获得更高的频谱效率和能量效率。