優(yōu)化行駛工況特征參數(shù)個(gè)數(shù)，不僅能夠減少工況識(shí)別過程的運(yùn)算量，還能夠提高工況識(shí)別的效率，因此行駛工況特征參數(shù)優(yōu)化具有理論意義和實(shí)用價(jià)值。目前一般采用兩種方法優(yōu)化行駛工況的特征參數(shù)，一是分析特征參數(shù)對(duì)燃油經(jīng)濟(jì)性等車輛性能的影響，二是分析特征參數(shù)表征行駛工況特征的能力［2-5］。周楠等［6］運(yùn)用正交實(shí)驗(yàn)法分析10種行駛工況特征參數(shù)對(duì)油耗的影響，得到影響汽車燃油經(jīng)濟(jì)性的代表性特征參數(shù)有：平均速度、平均減速度、平均加速度和怠速時(shí)間比等。Ericsson E等［7］通

應(yīng)用背景.但特征參數(shù)繁多，而且高度非線性，給特征參數(shù)的辨識(shí)帶來很大困難.目前，輪胎模型的特征參數(shù)辨識(shí)基本采用數(shù)值優(yōu)化算法和智能搜索算法.遺傳算法因?yàn)榫哂休^強(qiáng)的魯棒特性，最先開始被應(yīng)用于輪胎模型的特征參數(shù)辨識(shí)［7-8］.遺傳算法雖然能夠在全局范圍內(nèi)逼近最優(yōu)解，但存在局部搜索能力較差，收斂速度慢的問題.為此，相關(guān)研究者將全局范圍逼近較強(qiáng)的智能搜索算法和局部搜索較強(qiáng)的數(shù)值優(yōu)化算法結(jié)合起來，產(chǎn)生了多種輪胎參數(shù)辨識(shí)的混合優(yōu)化算法，這些混合算法普遍提升了輪胎模型的辨識(shí)

否發(fā)生泄漏的特征參數(shù)。判斷制冷劑是否發(fā)生泄漏的特征參數(shù)有很多，其中有一些存在著相關(guān)性，造成運(yùn)算量過于龐大，因此可以選擇一定適合量的特征參數(shù)來表示制冷劑是否發(fā)生泄漏，相關(guān)特征參數(shù)的選取方法是否合適決定著制冷劑泄漏與診斷程序的準(zhǔn)確性高低。本文通過主成分分析法選取了判斷制冷劑是否發(fā)生泄漏的六種特征參數(shù)，并對(duì)其進(jìn)行了分析，為制冷劑泄漏檢測與診斷程序的編寫打下基礎(chǔ)。1 R290泄漏故障特征參數(shù)選擇在R290空調(diào)器運(yùn)行過程中，空調(diào)器的運(yùn)行參數(shù)會(huì)受到各種各樣的因素影響而

、能量這五個(gè)特征參數(shù)在不同階段變化顯著，可用于不同階段下聲發(fā)射信號(hào)的識(shí)別。關(guān)鍵詞： 聲發(fā)射信號(hào)特征識(shí)別;SA508低合金鋼;焊縫疲勞裂紋;特征參數(shù);頻率成分中圖分類號(hào)：TB52? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：2095-8412 （2020） 05-112-06工業(yè)技術(shù)創(chuàng)新 URL： http：//gyjs.cbpt.cnki.net? ? DOI： 10.14103/j.issn.2095-8412.2020.05.021引言聲發(fā)射（AE）檢測技術(shù)

在語音識(shí)別的特征參數(shù)選擇方面，王彪[4]采用線性預(yù)測倒譜系數(shù)(Linear Prediction Cepstrum Coefficient，LPCC)進(jìn)行語音識(shí)別，郭春霞等[5]采用梅爾倒譜系數(shù)(Mel-scale Frequency Cepstral Coefficient，MFCC)進(jìn)行說話人識(shí)別，取得一定的成果。但是，由于特征參數(shù)過于單一導(dǎo)致識(shí)別準(zhǔn)確率偏低。支持向量機(jī)(Support Vector Machines，SVM)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，泛

區(qū)域面積進(jìn)行特征參數(shù)識(shí)別。經(jīng)試驗(yàn)，在病蟲害發(fā)生期間，用MATLAB圖像識(shí)別技術(shù)對(duì)患蚜蟲病棉花葉面檢測準(zhǔn)確度為87.0%、枯萎?。S萎病）81.0%、棉鈴蟲80.0%，說明在實(shí)際監(jiān)測時(shí)存在誤差，但準(zhǔn)確率均達(dá)80.0%以上，可用于預(yù)防監(jiān)測。關(guān)鍵詞：MATLAB圖像識(shí)別;圖像處理;函數(shù);算法;特征參數(shù)引言：棉花病蟲害種類繁多，危害各不一樣，根據(jù)發(fā)病時(shí)期大致可分為苗、蕾、花鈴三個(gè)時(shí)期。棉花病蟲害的早期識(shí)別和適時(shí)防治是棉花高產(chǎn)的重要環(huán)節(jié)。葉面識(shí)別技術(shù)的研究就是在機(jī)器

徑向擴(kuò)壓器;特征參數(shù);離心壓氣機(jī);流場;性能高效、高負(fù)荷離心壓氣機(jī)在中小型航空發(fā)動(dòng)機(jī)中得到了廣泛的使用。作為離心壓氣機(jī)的一個(gè)關(guān)鍵部件，擴(kuò)壓器性能的優(yōu)劣對(duì)于離心壓氣機(jī)性能有著重要影響。研究表明[1]，離心葉輪出口氣流動(dòng)能約占葉輪耗功的25%～50%，且氣流具有較大的切向速度。徑向擴(kuò)壓器通過半徑的增加使氣流減速增壓，并使氣流以希望的角度偏轉(zhuǎn)，軸向擴(kuò)壓器則進(jìn)一步偏轉(zhuǎn)氣流至燃燒室進(jìn)口所需方向。由于擴(kuò)壓器內(nèi)部流動(dòng)為復(fù)雜的三維粘性流動(dòng)，氣流在強(qiáng)逆壓力梯度下容易發(fā)生分離

機(jī)運(yùn)行狀態(tài)的特征參數(shù)。用相關(guān)性分析、正態(tài)分布和置信度算法等方法對(duì)大量實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行挖掘整理，確定了各工況下磨煤機(jī)穩(wěn)定運(yùn)行的各特征參數(shù)邊界，制定了預(yù)警規(guī)則，建立了磨煤機(jī)的預(yù)警模型。測試結(jié)果表明，該模型能判斷磨煤機(jī)運(yùn)行的早期異常，證明了該預(yù)警模型的有效性和可行性，能為實(shí)現(xiàn)磨煤機(jī)的運(yùn)維提供參考。關(guān)鍵詞：熱力學(xué)機(jī)理;數(shù)據(jù)挖掘;正態(tài)分布;特征參數(shù);狀態(tài)預(yù)警DOI：10.15938/j.jhust.2020.01.007中圖分類號(hào)： TM621文獻(xiàn)標(biāo)志碼： A文章編

MFCC靜態(tài)特征參數(shù)和動(dòng)態(tài)特征參數(shù)。研究結(jié)果表明，四類昆蟲鳴聲信號(hào)的脈沖組重復(fù)時(shí)間和持續(xù)時(shí)間、頻率范圍和主頻、MFCC特征參數(shù)均存在明顯的差異。研究結(jié)果可為昆蟲種類的自動(dòng)檢測提供參考。關(guān)鍵詞： 昆蟲鳴聲; 信號(hào)處理; 特征參數(shù); MFCC中圖分類號(hào)： TP311 ? ? ?文獻(xiàn)標(biāo)志碼： AStudy on Characterstc Parameters of nsect Acoustcs n the Feld ofSouthern Shanx Provnc

提出礦床關(guān)鍵特征參數(shù)這一概念，它是針對(duì)一系列礦體特征參數(shù)中那些對(duì)復(fù)雜礦床系統(tǒng)至關(guān)重要的因素，是全部特征參數(shù)的一個(gè)子集，是裕量較少、穩(wěn)定性差、靈敏度高或不確定性大的那些特征參數(shù)，用于表征礦體本身由礦體的基本特征參數(shù)及其復(fù)合而成的一系列參數(shù)。通過針對(duì)礦床的關(guān)鍵特征參數(shù)進(jìn)行研究，有望能夠突破地氣勘查方法的瓶頸，為地氣測量方法提供參數(shù)支持，從而推動(dòng)深部礦產(chǎn)地球化學(xué)勘查技術(shù)的發(fā)展。1 礦床特征參數(shù)簡述在礦產(chǎn)勘查中，每個(gè)礦床都具有特征多樣性，沒有完全一樣的礦體，但是不

d的水稻葉片特征參數(shù)測量系統(tǒng)，為農(nóng)學(xué)研究提供精準(zhǔn)數(shù)據(jù)。【方法】系統(tǒng)設(shè)計(jì)主要分為圖像獲取、圖像預(yù)處理和特征參數(shù)計(jì)算3部分：采用智能手機(jī)相機(jī)獲取水稻葉片圖像;通過灰度化、二值化和輪廓提取等操作對(duì)圖像進(jìn)行預(yù)處理;根據(jù)算法計(jì)算得到水稻葉片特征參數(shù)。【結(jié)果】精確度測試中，建立系統(tǒng)獲取顏色分量（R、G、B）均值與各分量實(shí)際值的線性擬合模型，其決定系數(shù)分別為0.9803、0.9774和0.9805，均方根誤差分別為1.086、1.413和0.8383;葉片幾何參數(shù)中，系

物光響應(yīng)曲線特征參數(shù)是其光合作用過程中最重要的指標(biāo)[1-3]，也是表征作物冠層葉片養(yǎng)分利用和生理特性的重要參數(shù)[1]，能充分反映作物氮素營養(yǎng)分配及其對(duì)光合作用的影響[1-2,4-5]。適量施氮可提高作物葉片對(duì)光的響應(yīng)能力，調(diào)節(jié)光響應(yīng)曲線特征參數(shù)，進(jìn)而提高凈光合速率Pn( Net photosynthetic rate)[6-9]，通過分析光合有效輻射和Pn間的特性，可得到表觀量子效率α(Apparent quantum efficiency)、最大凈光合速

因素是各生產(chǎn)特征參數(shù)的控制，要分析特征參數(shù)對(duì)產(chǎn)品質(zhì)量的影響，首先要對(duì)生產(chǎn)工藝特征參數(shù)進(jìn)行采集，然后通過分析數(shù)據(jù)，優(yōu)化參數(shù)控制，提高產(chǎn)品質(zhì)量。文章主要介紹預(yù)焙陽極特征參數(shù)自動(dòng)采集應(yīng)用軟件的開發(fā)，為生陽極質(zhì)量的分析提供數(shù)據(jù)，不斷優(yōu)化生陽極的產(chǎn)品質(zhì)量。應(yīng)用系統(tǒng)設(shè)計(jì)包括PLC數(shù)據(jù)采集程序的編程、WINCC變量組態(tài)及數(shù)據(jù)寫入腳本動(dòng)作、SQL2000數(shù)據(jù)庫的編輯等環(huán)節(jié)，屬國內(nèi)首創(chuàng)生陽極特征數(shù)據(jù)自動(dòng)采集系統(tǒng)的開發(fā)與應(yīng)用?！娟P(guān)鍵詞】預(yù)焙陽極;特征參數(shù);數(shù)據(jù)采集【中圖分類號(hào)

現(xiàn)了許多提取特征參數(shù)的方法.目前，最常見的特征參數(shù)有基音周期、共振峰、線性預(yù)測倒譜系數(shù)(linear prediction cepstral coefficient,LPCC)、Mel 頻率倒譜系數(shù)(Mel frequency cepstral coefficient,MFCC)等[1]，但這些方法所提取的特征參數(shù)有一定缺陷，且單一特征參數(shù)無法完全表征說話人的所有特點(diǎn)，于是出現(xiàn)了將不同特征相互融合的改進(jìn)算法，在一定程度上提高了特征的有效性和識(shí)別率[2-4]

el倒譜; 特征參數(shù); 主觀MOS中圖分類號(hào)： TN912?34 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）06?0043?04Abstract： An objective speech interference effect evaluation method which uses the particle swarm optimization （

；形態(tài)特征；特征參數(shù)；優(yōu)化措施針對(duì)目前油田現(xiàn)場電潛泵井工況診斷方式一般為人工診斷，存在工作技術(shù)性強(qiáng)，依賴技術(shù)人員的經(jīng)驗(yàn)和方法，診斷效率和精度較低，且工作量大等缺陷的問題，以油田現(xiàn)場采集的電流卡片為數(shù)據(jù)來源，形成了10種不同典型工況下的電流卡片樣本庫，分析每種典型工況下電流曲線的形態(tài)特征及其形成原因，統(tǒng)一規(guī)范并確定了5個(gè)特征參數(shù)和7個(gè)電流特征以及它們的閾值，并對(duì)每種典型工況下的電流曲線進(jìn)行特征提取，從而形成了基于特征識(shí)別的電潛泵井工況智能診斷新方法，以判斷油

流長度等主要特征參數(shù)和水資源特征系統(tǒng)梳理不足，水資源利用仍存在一些問題?；诖耍瑥牡乩韺W(xué)的角度，借助地理信息技術(shù)和統(tǒng)計(jì)學(xué)方法，結(jié)合實(shí)地調(diào)研，對(duì)南水北調(diào)中線水源區(qū)主要特征參數(shù)進(jìn)行系統(tǒng)梳理；分析和總結(jié)水資源特征、水資源開發(fā)利用演變過程以及存在的問題；基于水資源適應(yīng)性利用理論，結(jié)合南水北調(diào)中線水源區(qū)實(shí)際，提出其水資源適應(yīng)性利用的研究思路和戰(zhàn)略措施建議。研究成果對(duì)保障南水北調(diào)中線可持續(xù)調(diào)水、支撐水源區(qū)水資源開發(fā)利用和協(xié)同管理提供技術(shù)支撐。關(guān)鍵詞：南水北調(diào)中線調(diào)水工

制；刷卡機(jī)；特征參數(shù)0引言目前市場上的刷卡機(jī)[1] 主要為掛式刷卡機(jī)和座式刷卡機(jī)，但這幾種刷卡機(jī)共同的特點(diǎn)是需要工作人員進(jìn)行手動(dòng)按鍵對(duì)顧客進(jìn)行消費(fèi)，打飯效率低，尤其在高峰期，產(chǎn)生嚴(yán)重的擁擠現(xiàn)象。在新世紀(jì)人工智能的飛速發(fā)展和人機(jī)交互語音控制不斷的興起，越來越多的科學(xué)領(lǐng)域開始對(duì)語音識(shí)別進(jìn)行重視和研究，語音技術(shù)已經(jīng)在國內(nèi)外取得了巨大的發(fā)展，在刷卡機(jī)的研究領(lǐng)域已經(jīng)成熟，將語音控制應(yīng)用到現(xiàn)有的刷卡機(jī)中將極大的提高工作效率和顧客的滿意度。1對(duì)語音控制原理的研究基于模板

文通過提取出特征參數(shù)，為設(shè)計(jì)出準(zhǔn)確度高、適應(yīng)性強(qiáng)的交易狀態(tài)異常檢測方案做了相關(guān)鋪墊。依據(jù)拉依達(dá)準(zhǔn)則剔除異常數(shù)據(jù)，并分析SPSS軟件對(duì)業(yè)務(wù)量、交易成功率和交易響應(yīng)時(shí)間之間的相關(guān)性分析結(jié)果，確定了各指標(biāo)之間的相關(guān)性。使用雙次N值比較法，以交易成功率的平均值y和方差σ2作為交易成功率特征參數(shù)。關(guān)鍵詞：特征參數(shù) ATM市場 雙次N值比較中圖分類號(hào)：F069 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2018）08（c）-180-02在互聯(lián)網(wǎng)金融浪潮下，ATM市

形數(shù)據(jù)的脈內(nèi)特征參數(shù)[1-2]。因此,挖掘和提取更能表征RES的脈內(nèi)特征參數(shù)成為研究熱點(diǎn),如:頻譜特征[3-4]、時(shí)頻特征[5-9]、雙譜特征[10]、模糊函數(shù)特征[11-12]、相像系數(shù)特征[13]、熵特征[14-17]、復(fù)雜度特征[18]等出現(xiàn)在各文獻(xiàn)研究中。各種脈內(nèi)特征參數(shù)的挖掘應(yīng)用一定程度上解決了傳統(tǒng)識(shí)別方法中的錯(cuò)分誤判問題,提高了雷達(dá)輻射源識(shí)別的準(zhǔn)確率。然而,脈內(nèi)特征參數(shù)在工程應(yīng)用中的一些局限性也慢慢涌現(xiàn)出來[19-20]。一個(gè)常見的局限性就是大

誠摘要：語音特征參數(shù)是語音信號(hào)分析的重要參數(shù)依據(jù)，藏語語音特征參數(shù)的精確度直接影響藏語語音合成、語音識(shí)別及語音壓縮等處理的效果。介紹了藏語時(shí)域語音信號(hào)處理過程中的語音特征參數(shù)及其提取關(guān)鍵技術(shù)：包括短時(shí)平均能量，短時(shí)平均幅度，短時(shí)過零率，短時(shí)自相關(guān)函數(shù)和端點(diǎn)檢測等算法.分析了語音的時(shí)域特征參數(shù)在藏語語音分析中的實(shí)際應(yīng)用。關(guān)鍵詞：藏語語音；特征參數(shù)；短時(shí)平均能量；短時(shí)平均過零率；自相關(guān)函數(shù)中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（20

運(yùn)動(dòng)序列； 特征參數(shù)； 精度監(jiān)測中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）07?0075?05Research on image?based movement accuracy monitoring of aerobicsFENG Ting（Zhengzhou University of Aeronautics， Zhengzhou 450000， China）Abstract： Mos

建模方法分析特征參數(shù)，提取設(shè)計(jì)變量，以興波阻力最小為目標(biāo)，分別采用Sobol算法和Tsearch算法實(shí)現(xiàn)船體型線的自動(dòng)優(yōu)化。將上述方法應(yīng)用于5 100 TEU集裝箱船的型線自動(dòng)優(yōu)化，運(yùn)用Shipflow軟件進(jìn)行CFD數(shù)值計(jì)算。評(píng)估結(jié)果表明優(yōu)化船型在弗勞德數(shù)Fr=0.26時(shí)總阻力減少3.62%，說明該方法可行。關(guān)鍵詞： 特征參數(shù)； 設(shè)計(jì)變量； 參數(shù)化建模； 數(shù)值計(jì)算； 自動(dòng)優(yōu)化中圖分類號(hào)： U4文獻(xiàn)標(biāo)志碼： BOptimization of resistan

該方法提取的特征參數(shù)在魯棒性和識(shí)別性能上均優(yōu)于MFCC特征參數(shù)和CFCC特征參數(shù).說話人識(shí)別; 彎折濾波器組; 魯棒性1 引言說話人識(shí)別又稱為聲紋識(shí)別,即提取語音波形中反映說話人的生理和行為特征的語音特征參數(shù)來自動(dòng)確定說話人身份的技術(shù). 隨著識(shí)別技術(shù)的研究不斷深入,說話人識(shí)別在實(shí)驗(yàn)室環(huán)境中已經(jīng)能獲得較高的識(shí)別率,而在實(shí)際應(yīng)用中,由于噪聲的影響,識(shí)別性能有惡化的趨勢. 其根本原因在于噪聲的影響引起了語音的畸變,導(dǎo)致了訓(xùn)練環(huán)境和測試環(huán)境的不匹配,因此,訓(xùn)練數(shù)據(jù)

高階累積量為特征參數(shù)，實(shí)現(xiàn)了6種常用調(diào)制信號(hào)的分類識(shí)別，調(diào)試信號(hào)分別為：2ASK、2PSK、4PSK、2FSK、4FSK and 16QAM.最后通過仿真驗(yàn)證了所提取的特征參數(shù)能夠有效識(shí)別6種不同的調(diào)制信號(hào)，并能很好的抑制高斯白噪聲的影響，具有良好的抗噪性。關(guān)鍵詞：高階累積量 特征參數(shù) 調(diào)制信號(hào)1 引言截獲信號(hào)的調(diào)試制式識(shí)別一直是通信領(lǐng)域重要的研究課題，在軍事、民用、帶寬通信和自適應(yīng)傳輸?shù)确矫娑季哂泻芨叩膶?shí)用價(jià)值。目前利用高階累積量識(shí)別截獲信號(hào)的調(diào)試制式識(shí)

段中振動(dòng)信號(hào)特征參數(shù)的變化靈敏度不同，分析了特征參數(shù)對(duì)初始故障的敏感性和退化狀態(tài)的相關(guān)性，提出了一種采用馬田系統(tǒng)檢測軸承初始故障和區(qū)分性能退化狀態(tài)的方法。以對(duì)初始故障敏感和對(duì)退化狀態(tài)相關(guān)的特征參數(shù)建立了馬田系統(tǒng)的基準(zhǔn)空間，并在馬田系統(tǒng)中將兩組特征參數(shù)融合為單一的特征參數(shù)馬氏距離； MD1對(duì)滾動(dòng)軸承初始故障的敏感性，檢測軸承壽命在第一和第二階段時(shí)出現(xiàn)初始故障的時(shí)間點(diǎn)； MD2隨著滾動(dòng)軸承性能退化狀態(tài)而不斷增大，依據(jù)其變化趨勢判斷軸承的退化狀態(tài)；該方法避免了單

深度的平準(zhǔn)器特征參數(shù)k，該模型相關(guān)系數(shù)達(dá)0.943。驗(yàn)證結(jié)果表明，平準(zhǔn)器特征參數(shù)k與煙端頭0～5 mm密度和卷煙機(jī)空頭率具有高度相關(guān)性。關(guān)鍵詞ZJ19卷煙機(jī)；平準(zhǔn)器；正交設(shè)計(jì)；特征參數(shù)中圖分類號(hào)TS43文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)0517-6611（2017）16-0200-03Establishment of the Characteristic Parameter about Ecreteur Dise of ZJ19 Cigaretterolling Mac

；SLFM；特征參數(shù)；航空發(fā)動(dòng)機(jī)葉片前言航空發(fā)動(dòng)機(jī)葉片加工是航空發(fā)動(dòng)機(jī)制造中的重點(diǎn)也是難點(diǎn)。為做好對(duì)于航空發(fā)動(dòng)機(jī)葉片的加工制造，在航空企業(yè)生產(chǎn)制造中需要依照航空發(fā)動(dòng)機(jī)葉片工時(shí)定額的精確計(jì)算來規(guī)劃布控企業(yè)管理規(guī)劃、生產(chǎn)調(diào)度、成本控制等多個(gè)環(huán)節(jié)。通過合理的調(diào)度規(guī)劃實(shí)現(xiàn)航空發(fā)動(dòng)機(jī)葉片加工環(huán)節(jié)、加工結(jié)構(gòu)的優(yōu)化，從而確保航空發(fā)動(dòng)機(jī)葉片生產(chǎn)高效、穩(wěn)定的進(jìn)行。在現(xiàn)今的航空發(fā)動(dòng)機(jī)葉片的加工制造過程中，大量的使用現(xiàn)今的五軸數(shù)控加工設(shè)備，做好航空發(fā)動(dòng)機(jī)葉片工時(shí)定額的計(jì)算從而實(shí)

述了超聲信號(hào)特征參數(shù)采集與處理分析研究現(xiàn)狀，簡述了聲發(fā)射信號(hào)參數(shù)分析方法以及聲發(fā)射信號(hào)的分析方法。最后對(duì)油中針.板放電、油中氣泡放電和油中油楔放電三種典型局部放電模型超聲波相位統(tǒng)計(jì)譜圖以及AE飛行時(shí)間譜圖進(jìn)行了分析。【關(guān)鍵詞】 超聲波 局部放電 特征參數(shù) 放電次數(shù)一、緒論1.1課題背景及研究的目的和意義變壓器是電力系統(tǒng)輸變電的關(guān)鍵性設(shè)備，它的安全運(yùn)行關(guān)系著電力系統(tǒng)的可靠性水平，如果發(fā)生故障，將會(huì)引起局部乃至大面積的停電。大量故障統(tǒng)計(jì)數(shù)據(jù)表明，電力變壓器所發(fā)

告等功能，其特征參數(shù)可有效地反映身體功能。[關(guān)鍵詞] 脈搏波；用戶管理；消除基線漂移；特征參數(shù)中圖分類號(hào)：R331 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-5200（2017）01-015-04DOI：10.11876/mimt201701007Pulse Wave Monitoring System Based on LabVIEW LI Shuying，Wei Anhai，Zhang Hehua，YIN Jun. （Medical Engineering

蓉摘 要提取特征參數(shù)在說話人識(shí)別系統(tǒng)內(nèi)是非常重要的步驟，說話人語音的很多特有個(gè)性信息包含于特征參數(shù)內(nèi)，例如發(fā)聲特征或者語義特征，利用特征提取的方法一方面可以去掉聲音里沒用的冗余信息，剩下有用的體現(xiàn)說話人個(gè)性不同的特征信息，特別是可以有效減少計(jì)算量、模板數(shù)目以及存儲(chǔ)空間。選用的特征參數(shù)的會(huì)直接關(guān)系到整個(gè)系統(tǒng)的工作性能，良好的特征參數(shù)需要擁有好的穩(wěn)定性和好的獨(dú)立性，一方面可以不受到外界情況的干擾，不容易為其他的聲音所替代，另一方面，能夠較好的辨別不同說話人，說

監(jiān)控參數(shù)集、特征參數(shù)、剩余有效壽命預(yù)測等技術(shù)的研究進(jìn)行的了說明。【關(guān)鍵詞】預(yù)測與健康管理；剩余有效壽命；特征參數(shù)0 概述民用飛機(jī)的安全性設(shè)計(jì)是決定飛機(jī)型號(hào)生命的至關(guān)因素，而民用飛機(jī)的維修性設(shè)計(jì)是決定飛機(jī)經(jīng)濟(jì)性與市場成功的重要考量，安全性設(shè)計(jì)直接決定了民用飛機(jī)型號(hào)的生死，維修性設(shè)計(jì)決定了民用飛機(jī)型號(hào)設(shè)計(jì)市場的成功與否，歷來為各航空制造商和運(yùn)營商所重視。飛機(jī)作為現(xiàn)代工業(yè)設(shè)計(jì)中最為復(fù)雜、技術(shù)最為綜合、科技含量最高的產(chǎn)品之一，飛機(jī)內(nèi)部系統(tǒng)繁雜，零部件數(shù)量龐大。這也

于SVM的多特征參數(shù)清濁音判決算法李克靖，孫鳳梅，石喬林（中國電子科技集團(tuán)公司 第五十八研究所，江蘇 無錫214035）為解決低速率聲碼器合成語音中，由于語音幀清濁判決不夠準(zhǔn)確而造成的偶發(fā)性嘶啞、機(jī)器音較重及變調(diào)等問題，提出一種基于支持向量機(jī)（Support Vector Machine，SVM）并結(jié)合多種語音特征參數(shù)的清濁音判決優(yōu)化算法。實(shí)驗(yàn)結(jié)果顯示，該算法能夠有效降低清濁音的誤判率，進(jìn)而使合成語音的清晰度和自然度得到改善。將本算法應(yīng)用到正弦激勵(lì)線性預(yù)測

、六階累積量特征參數(shù)無法識(shí)別16PSK信號(hào)的問題，并將6種信號(hào)分成4類.針對(duì)傳統(tǒng)高階累積量特征參數(shù)無法區(qū)分QPSK與OQPSK信號(hào)及π/4-QPSK與8PSK信號(hào)，利用差分累積量特征參數(shù).用3種特征參數(shù)識(shí)別6種信號(hào)，實(shí)現(xiàn)了用較少的特征參數(shù)識(shí)別更多信號(hào)的目的.仿真結(jié)果表明，在低信噪比條件下能很好地抑制高斯白噪聲，在信噪比大于6 dB時(shí)，所有信號(hào)識(shí)別率均達(dá)100%.關(guān)鍵詞：調(diào)制識(shí)別；高階累積量；差分處理；特征參數(shù)0引言調(diào)制信號(hào)識(shí)別是軍用和民用領(lǐng)域的重要技術(shù)，已

人識(shí)別系統(tǒng)中特征參數(shù)提取的研究*唐宗渤1, 周萍2，王茂蓉2，劉繼錦2(1.桂林電子科技大學(xué) 信息科技學(xué)院，廣西 桂林 541004; 2.桂林電子科技大學(xué) 電子工程與自動(dòng)化學(xué)院，廣西 桂林 541004)摘要：當(dāng)模仿者蓄意模仿說話人的語音且相似度極高時(shí)，說話人識(shí)別系統(tǒng)就有可能被欺騙。特征參數(shù)的提取是說話人識(shí)別的關(guān)鍵環(huán)節(jié)，直接影響了系統(tǒng)的識(shí)別性能。MFCC是語音識(shí)別中最熱門的特征參數(shù)之一，但由于其只反映了語音的靜態(tài)特性，為了提取更具個(gè)人語音特性的特征參數(shù)，

和能量等常規(guī)特征參數(shù)進(jìn)行了分析。在此基礎(chǔ)上，對(duì)拉伸過程不同階段典型聲發(fā)射信號(hào)的時(shí)域波形、頻譜、希爾伯特時(shí)頻分布等進(jìn)行了波形分析。結(jié)果表明，聲發(fā)射信號(hào)的特征參數(shù)和波形分析能反映不同拉伸過程變形特征，可用于拉伸過程的表征。關(guān)鍵詞：大型常壓儲(chǔ)罐； 聲發(fā)射； 特征參數(shù)； 希爾伯特-黃變換0引言作為國家石油戰(zhàn)略儲(chǔ)備的重要基礎(chǔ)設(shè)施，大型常壓儲(chǔ)罐的安全運(yùn)行備受人們關(guān)注。目前，常見的儲(chǔ)罐檢測方法主要有兩大類：清罐檢測和在線檢測。其中清罐檢測需要暫停生產(chǎn)，人力物力耗費(fèi)大；在

數(shù)和離心率等特征參數(shù)，結(jié)合多項(xiàng)式擬合和層次分析法對(duì)液滴輪廓外形進(jìn)行分析。通過實(shí)驗(yàn)證明:在液滴檢測技術(shù)中，圖像技術(shù)具有現(xiàn)實(shí)可行性。關(guān)鍵詞：液滴檢測技術(shù)； CCD； 圖像技術(shù)； 特征參數(shù)0引言近些年來，隨著可持續(xù)化發(fā)展的逐步發(fā)展與深化，液滴分析技術(shù)[1]應(yīng)運(yùn)而生，作為一種新興研究技術(shù)，它是指在被測液體形成液滴的過程中，采用各種手段對(duì)被測液體實(shí)行檢測，以獲得待測液體的物理、化學(xué)特性參數(shù)，以此為依據(jù)對(duì)液體進(jìn)行定性和量化識(shí)別的技術(shù)。因?yàn)橐后w自身物理、化學(xué)性質(zhì)的差異，

義洛特卡分布特征參數(shù)的解區(qū)間出發(fā)，針對(duì)具有相容性的兩組科學(xué)生產(chǎn)數(shù)據(jù)，驗(yàn)證了在有交叉的情況下混并后的數(shù)據(jù)仍然有可能滿足同一廣義洛特卡分布，表明無交叉條件不是數(shù)據(jù)混并前后滿足同一廣義洛特卡分布的必要條件。關(guān)鍵詞：洛特卡分布；特征參數(shù)；解區(qū)間；交叉；混并引言洛特卡定律、布拉德福定律和齊夫定律合稱情報(bào)學(xué)或文獻(xiàn)計(jì)量學(xué)的三大定律。洛特卡定律描述和揭示了不同科學(xué)生產(chǎn)率水平的科學(xué)工作者分布的規(guī)律，它是由美國著名的數(shù)學(xué)家洛特卡于1926年提出的[1]。洛特卡定律可以簡單地用

缺陷所提取的特征參數(shù)的類別，并對(duì)其提取算法進(jìn)行介紹，為智能分類識(shí)別在役管線故障缺陷X射線檢測圖像奠定了基礎(chǔ).關(guān)鍵詞:在役管線;母材缺陷;焊縫缺陷;特征參數(shù);邊界分析;故障分類管線是最重要的油氣運(yùn)輸載體，是現(xiàn)行五大運(yùn)輸工具之一.由于油氣輸送管線廣泛鋪設(shè)于世界各地，不同的地理環(huán)境、氣候變化等外界復(fù)雜條件所導(dǎo)致的由其母材及焊縫缺陷所引起的事故時(shí)有發(fā)生，且事故多對(duì)周圍環(huán)境造成影響，對(duì)人員安全構(gòu)成重大的威脅.因此如何正確地從在役管線檢測X射線底片中提取存在的故障缺陷

研究溝槽濾棒特征參數(shù)及組成材料對(duì)濾棒壓降的影響。[方法]選取常見的8種不同規(guī)格的溝槽濾棒及其主要組成材料為分析對(duì)象，采用相關(guān)性分析與因子分析，開展9個(gè)主要特征參數(shù)對(duì)溝槽濾棒壓降的影響程度研究。[結(jié)果]試驗(yàn)表明，影響溝槽濾棒壓降的特征參數(shù)間存在顯著或極顯著的相關(guān)性，相關(guān)系數(shù)矩陣中特征值大于1.0的前3個(gè)成分的累計(jì)貢獻(xiàn)率達(dá)87.502%；由溝槽濾棒壓降影響特征參數(shù)的旋轉(zhuǎn)因子載荷矩陣得到3個(gè)公因子，總結(jié)定義后分別是：絲束總質(zhì)量因子、單絲線密度/纖維素紙物理特性因

解決語音信號(hào)特征參數(shù)序列比較時(shí)時(shí)長不等的問題，但計(jì)算量很大，嚴(yán)重影響了語音識(shí)別系統(tǒng)的響應(yīng)速度。對(duì)傳統(tǒng)的動(dòng)態(tài)時(shí)間規(guī)整算法進(jìn)行改進(jìn)，主要目的是提高語音識(shí)別速率。首先對(duì)傳統(tǒng)DTW算法的原理進(jìn)行了詳細(xì)的分析，然后提出了改進(jìn)后新的DTW算法。對(duì)傳統(tǒng)的算法進(jìn)行改進(jìn)時(shí)，主要從以下兩方面入手：①對(duì)算法的搜索路徑進(jìn)行約束，使x軸上的每一幀不必再與y軸上的每一幀進(jìn)行比較，而只需要與y軸上限定范圍內(nèi)的幀進(jìn)行比較即可；②對(duì)齊松弛算法的起始點(diǎn)和終止點(diǎn)（不用完全對(duì)齊），并可以適當(dāng)放松

；客觀檢測；特征參數(shù)章國紅，辛斌杰.圖像處理技術(shù)在紗線毛羽檢測方面的應(yīng)用[J].河北科技大學(xué)學(xué)報(bào),2016,37(1):76-82.ZHANG Guohong，XIN Binjie.Application of image processing technology in yarn hairiness detection[J].Journal of Hebei University of Science and Technology,2016,37(1):

；光合作用；特征參數(shù)引用格式：劉周莉，趙明珠，秦嬌嬌，何擎擎，陳瑋，何興元. 3種木質(zhì)藤本植物光合特性比較研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 2015, 24(6): 952-956.LIU Zhouli, ZHAO Mingzhu, QIN Jiaojiao, HE Qingqing, CHEN Wei, HE Xingyuan. Photosynthetic Characteristics of Three Woody Vines [J]. Ecology

達(dá)輻射源信號(hào)特征參數(shù)評(píng)估*1陳昌孝，何明浩，馮明月，韓俊(空軍預(yù)警學(xué)院，湖北 武漢430019)摘要：為解決傳統(tǒng)雷達(dá)輻射源信號(hào)脈內(nèi)特征參數(shù)評(píng)估方法指標(biāo)單一，實(shí)用性差，未形成評(píng)估體系等問題，構(gòu)建了脈內(nèi)特征參數(shù)的CSS評(píng)估體系。該體系以時(shí)間復(fù)雜性、可分離性、魯棒性為基本評(píng)估指標(biāo)，按照信噪比等級(jí)分別進(jìn)行特征參數(shù)的評(píng)估，通過層次分析法確定指標(biāo)權(quán)值，利用不同指標(biāo)的加權(quán)和作為滿意度評(píng)分值。仿真實(shí)驗(yàn)驗(yàn)證了所提CSS體系的有效性，該體系可為遴選最符合用戶需求的特征參數(shù)提供

，基于傳統(tǒng)的特征參數(shù)描述方式對(duì)輻射源進(jìn)行識(shí)別的方法為了解決知識(shí)參數(shù)與偵察參數(shù)的不確定性，在雷達(dá)輻射源識(shí)別中引入模糊理論進(jìn)行識(shí)別，即計(jì)算待識(shí)別雷達(dá)關(guān)于模板雷達(dá)的隸屬度，根據(jù)隸屬度大小識(shí)別雷達(dá)輻射源。然而，在這些模糊識(shí)別的方法中，隸屬度的計(jì)算往往不夠全面，很多文獻(xiàn)只采用正態(tài)型的隸屬度計(jì)算公式［3-5］，忽略了當(dāng)特征參數(shù)類型不同時(shí)，其隸屬度函數(shù)也會(huì)不同。另外，對(duì)于脈內(nèi)特征參數(shù)隸屬度的計(jì)算，很多文獻(xiàn)中只考慮調(diào)制方式是否匹配兩種情況［3-4］，并用0和1兩個(gè)精確值來

澇泵站的基本特征參數(shù)，重點(diǎn)圍繞揚(yáng)程范圍、布置形式、臺(tái)數(shù)、調(diào)節(jié)方式和技術(shù)參數(shù)等方面的內(nèi)容探討了泵站水泵機(jī)組的選型工作，以供類似工程研究參考。關(guān)鍵詞：排澇泵站；水泵機(jī)組；特征參數(shù)；起吊方式隨著我國社會(huì)經(jīng)濟(jì)建設(shè)步伐的加快，國家對(duì)城鄉(xiāng)基礎(chǔ)設(shè)施建設(shè)的投資力度逐漸加大，水利基礎(chǔ)設(shè)施數(shù)量日益增加。排澇泵站作為城鄉(xiāng)水利基礎(chǔ)設(shè)施的重要組成部分，擔(dān)負(fù)著城市排水、防澇和防洪等重任，在改善城鄉(xiāng)生態(tài)環(huán)境、促進(jìn)經(jīng)濟(jì)發(fā)展和提高人們生活水平等方面發(fā)揮著不可替代的作用。目前，排澇泵站由于分

號(hào)。該方法的特征參數(shù)提取具有更低的計(jì)算復(fù)雜度，具有良好的抗噪性能。當(dāng)信噪比不小于5 dB時(shí)，正確識(shí)別率可以達(dá)到97%以上。關(guān)鍵詞： 調(diào)制識(shí)別； 特征參數(shù)； 數(shù)字信號(hào)； 小波變換中圖分類號(hào)： TN914.31?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）19?0072?03Pattern recognition method of digital signal modulation based on wavelettransform a

L濾波器混合特征參數(shù)提取方法研究*黃 銳,陸安江,張正平(貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院,貴州貴陽550025)由于在說話人識(shí)別中梅爾頻率濾波器組結(jié)構(gòu)分布不均勻,在低頻區(qū)域分布密集而在中心頻率、高頻率分布稀疏,影響了在中、高頻段的MEL倒譜系數(shù)(MFCC)的提取,本文提出適用于說話人識(shí)別的改進(jìn)MEL濾波器與MidMel濾波器相結(jié)合得到兩種混合特征參數(shù),用此方式來提高中、高頻率特征參數(shù)提取的精度,從而提高系統(tǒng)識(shí)別率。實(shí)驗(yàn)結(jié)果顯示,在同一環(huán)境中,新的混合特征參數(shù)

行駛距離作為特征參數(shù)，通過模糊分類器對(duì)汽車運(yùn)行狀態(tài)進(jìn)行了識(shí)別。周楠等［4］采用循環(huán)平均車速、循環(huán)行駛平均車速等10個(gè)參數(shù)，建立了基于簡單神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識(shí)別模型，對(duì)北京、紐約、長春、上海等地的汽車運(yùn)行工況進(jìn)行了識(shí)別。張良等［5］采用18個(gè)參數(shù)，建立了基于支持向量機(jī)（SVM）的汽車運(yùn)行狀態(tài)識(shí)別模型，對(duì)我國上海和廣州市的汽車運(yùn)行工況進(jìn)行了識(shí)別。田毅等［6］采用13個(gè)參數(shù)，建立了基于模糊神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識(shí)別模型，對(duì)不同敏感性參數(shù)的汽車運(yùn)行工況進(jìn)行了識(shí)