时域特征提取波形率:P、二二
X
(LsrdUZ)3
歪度：巳二__L
(T
鹹彷以巴卜市
波高率：R二兰吗
a
X
最大值比率；巴==咤
X mas
V
极大值的变动率：P6 =——
极小值的变动率：p7- —
于I
平方根的平均值；匕=厶川
yN X?
口乘平均值：P? =厶蔦j (7
圧昨(旳+1)
对数平均值：X。二
10g（（7）
频域特征提取 :
遥感影像各参数提取和运算 一．实验目的 1.1 熟悉使用ENVI软件的一些常用功能； 1.2 学会利用ENVI软件对遥感影像的NDVI和NDWI进行计算，对典型地物的参数信息进行提取和分析。 二．实验内容 2.1 计算可见光至短波红外波段的7个波段的TOA反射率数据和热红外的2个波段的亮度温度值； 2.2 计算NDVI和NDWI； 2.3 选择水体、土壤、植被和人工建筑等典型地物，每种典型地物至少选择50个样点，提取各个样点的7个TOA反射率值、2个亮温值和2个光谱指数值； 2.4 针对各个典型地物的遥感参数进行统计分析，至少计算各个参数的Minimum, Maximum, Range and Standard Deviation，利用图表的形式对其进行专业分析。三．实验数据与实验平台 数据：LANDSAT 7 ETM+影像、p125r053_7t20001106.met 平台：ENVI 4.7软件 四．实验过程与结果分析 4.1. 计算可见光至短波红外波段的7个波段的TOA反射率数据和热红外的1个波段的亮度温度值。 实验步骤： （1）计算可见光至短波红外波段的7个波段的TOA反射率： Main menu →Basic Tools →Preprocessing →Calibration Utilities →Landsat Calibration→选择波段数为6的，点击 OK →Reflectance →Edit Calibration Parameters→输出文件名
图4.1.1 反射率参数设置 图4.1.2反射率转换结果图与原图对比 （7,4,3波段，左图为结果图，右图为原图） （2）转换成亮度温度值步骤： Main menu →Basic Tools →Preprocessing →Calibration Utilities →Landsat Calibration →选择波段数为2的，点击OK →Radiance →Edit Calibration Parameters→输出文件名
概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：
页脚内容 第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关 重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描 述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。
常见大中功率管三极管参数 晶体管型号反压Vbe0 电流Icm 功率Pcm 放大系数特征频率管子类型2SD1402 1500V 5A 120W * * NPN 2SD1399 1500V 6A 60W * * NPN 2SD1344 1500V 6A 50W * * NPN 2SD1343 1500V 6A 50W * * NPN 2SD1342 1500V 5A 50W * * NPN 2SD1941 1500V 6A 50W * * NPN 2SD1911 1500V 5A 50W * * NPN 2SD1341 1500V 5A 50W * * NPN 2SD1219 1500V 3A 65W * * NPN 2SD1290 1500V 3A 50W * * NPN 2SD1175 1500V 5A 100W * * NPN 2SD1174 1500V 5A 85W * * NPN 2SD1173 1500V 5A 70W * * NPN 2SD1172 1500V 5A 65W * * NPN 2SD1143 1500V 5A 65W * * NPN 晶体管型号反压Vbe0 电流Icm 功率Pcm 放大系数特征频率管子类型2SD1142 1500V 3.5A 50W * * NPN 2SD1016 1500V 7A 50W * * NPN 2SD995 2500V 3A 50W * * NPN 2SD994 1500V 8A 50W * * NPN 2SD957A 1500V 6A 50W * * NPN 2SD954 1500V 5A 95W * * NPN 2SD952 1500V 3A 70W * * NPN 2SD904 1500V 7A 60W * * NPN 2SD903 1500V 7A 50W * * NPN 2SD871 1500V 6A 50W * * NPN 2SD870 1500V 5A 50W * * NPN 2SD869 1500V 3.5A 50W * * NPN 2SD838 2500V 3A 50W * * NPN 2SD822 1500V 7A 50W * * NPN 2SD821 1500V 6A 50W * * NPN 晶体管型号反压Vbe0 电流Icm 功率Pcm 放大系数特征频率管子类型2SD348 1500V 7A 50W * * NPN 2SC4303A 1500V 6A 80W * * NPN 2SC4292 1500V 6A 100W * * NPN 2SC4291 1500V 5A 100W * * NPN 2SC4199A 1500V 10A 100W * * NPN 2SC3883 1500V 5A 50W * * NPN 2SC3729 1500V 5A 50W * * NPN 2SC3688 1500V 10A 150W * * NPN
对GDSII database进行gate-level寄生参数抽取 VIMICRO 祝侃 1.Abstract 伴随着SOC技术的发展，自动布局布线规模不断扩大，同时产品的上市周期 由于市场竞争的加剧压力也愈来愈大。因此，如何提高自动布局布线设计中寄生 参数验证的效率成为众多IC设计者必须要考虑的重要课题。 通过引入calibre DRC/LVS/XRC，vimicro已经发展了一套提高自动布局布 线设计验证效率的方法，这些方法包括GDSII文件的直接处理，使用gate-level 寄生参数抽取来满足数字电路的时序分析验证，以及修改相应的文件来加速寄生 参数的抽取等。 2. Introduction 首先，在自动布局布线结束后，我们通常会进行DRC/LVS检查，然后在 layout editor (如Virtuoso)里修改错误，最后得到DRC/LVS clean的GDSII 文件。这个时候前端设计人员发现功能有问题进行了修改，要求自动布局布线作 ECO。这样原先的DRC/LVS检查都要重新做一遍。 对DRC/LVS clean的GDSII 文件抽取寄生参数，然后拿这个含有寄生参数 的网表作 STA，如果时序可以满足要求的话，就不需要做那些重复的工作了。 Calibre xRC可以对GDSII 数据进行gate level 的寄生参数抽取. 这样的设计流程是针对于简单的ECO改动，例如IO位置的调整，或者对为 数不多的逻辑门连接关系的修改。对于复杂的改动，还必须应用自动布局布线的 ECO流程. 3. Flow Description
1).Run hierarchical LVS (PHDB Generation) 执行hierarchical LVS是为了对layout做器件和连接关系的抽取，并且建立版图和网表的cross-reference. 2).抽取寄生参数 (PDB Generation) Calibre XRC 抽取gate level的寄生参数. 3).写出网表 (FMT) Calibre xRC 从第二步抽取的寄生参数数据中写出DSPF 或 SPEF 网表. 4).静态时序分析 (STA) PrimeTime 读入DSPF 或 SPEF 网表,还有原来的verilog 网表 和cell library,产生SDF文件. 1).LVS-H 首先要Run hierarchical LVS,就需要设定hcell list.Calibre xRC 叫做xcell.这个xcell list跟普通的LVS使用的hcell list差不多，只是比LVS要更严格一些，需要Calibre识别出所有的standard cells and micro blocks.这样在第二步抽取寄生参数的时候Calibre才知道那些出现在hcell list里的
语音信号特征的提取 摘要 随着计算机技术的发展，语音交互已经成为人机交互的必要手段,语音特征参数的精确度直接影响着语音合成的音质和语音识别的准确率。因此语音信号参数提取是语音信号处理研究中一项非常有意义的工作。 本文采用Matlab软件提取语音信号特征参数，首先对语音信号进行数字化处理，其次，进行预处理，包括预加重、加窗和分帧，本文讨论了预处理中各种参数的选择，以使信号特征提取更加准确。第三，讨论了各种时域特征参数的算法，包括短时能量、短时过零率等。 关键词：语音信号, 特征参数, 提取, Matlab 目录 第一章绪论 1.1语音信号特征提取概况 1.1.1研究意义 语音处理技术广泛应用于语音通信系统、声控电话交换、数据查询、计算机控制、工业控制等领域，带有语音功能的计算机也将很快成为大众化产品，语音将可能取代键盘和鼠标成为计算机的主要输入手段，为用户界面带来一次飞跃。 语音信号特征的提取是语音信号处理的前提和基础，只有分析出可表示语音信号本质特征的参数，才有可能利用这些参数进行高效的语音通信和准确的语音识别，才能建立语音合成的语音库。因此语音信号参数提取是语音信号处理研究中一项非常有意义的工作。 1.1.2 发展现状 语音信号处理是一门综合性的学科，包括计算机科学、语音学、语言学、声学和数学等诸多领域的内容。它的发展过程中，有过两次飞跃。第一次飞跃是1907年电子管的发明和1920年无线电广播的出现，电子管放大器使很微弱的声
音也可以放大和定量测量，从而使电声学和语言声学的一些研究成果扩展到通信和广播部门；第二次飞跃是在20世纪70年代初，电子计算机和数字信号处理的发展使声音信号特别是语音信号，可以通过模数转换器（A/D）采样和量化转换为数字信号，这样就可以用数字计算方法对语音信号进行处理和加工，提高了语音信号处理的准确性和高效性。 语音信号处理在现代信息科学中的地位举足轻重，但它仍有些基础的理论问题和技术问题有待解决，这些难题如听觉器官的物理模型和数学表示及语音增强的技术理论等，目前还有待发展。 1.2 本课题研究内容 本文主要介绍语音信号处理的理论及Matlab的相关内容，然后从Matlab仿真角度验证了录音、预处理、提取语音信号时域特征参数，主要讨论了预处理中各种参数的选择，以使信号特征提取更加准确。再次讨论了各种时域特征参数的算法，包括短时能量、短时过零率等，介绍了各环节的不同软件实现方法。最后对基于Matlab的语音信号特征参数提取进行总结。 第二章Matlab简介 MATLAB是国际上仿真领域最权威、最实用的计算机工具。它是MathWork 公司于1984年推出，它以强大的科学计算与可视化功能、简单易用、开放式可扩展环境，特别是所附带的30多种面向不同领域的工具箱支持，使得它在许多科学领域中成为计算机辅助设计和分析、算法研究和应用开发的基本工具和首选平台。 2.1 发展概况 Matlab是Matrix Laboratory(矩阵实验室的缩写)，最初由美国Cleve Moler 博士在70年代末讲授矩阵理论和数据分析等课程时编写的软件包Linpack与Eispack组成，旨在使应用人员免去大量经常重复的矩阵运算和基本数学运算等繁琐的编程工作。1984年成立的Math Works公司正式把Matlab推向市场，并从事Matlab的研究和开发。1990年，该公司推出了以框图为基础的控制系统仿真工具Simulink，它方便了系统的研究与开发，使控制工程师可以直接构造系统框图进行仿真，并提供了控制系统中常用的各种环节的模块库。1993年，Math Works 公司推出的Matlab4.0版在原来的基础上又作了较大改进，并推出了Windows版，
晶体管的特性曲线 晶体管特性曲线即管子各电极电压与电流的关系曲线，是管子内部载流子运动的外部表现，反映了晶体管的性能，是分析放大电路的依据。为什么要研究特性曲线： (1) 直观地分析管子的工作状态 (2) 合理地选择偏置电路的参数,设计性能良好的电路重点讨论应用最广泛的共发射极接法的特性曲线 1.测量晶体管特性的实验线路 图1 共发射极电路 共发射极电路：发射极是输入回路、输出回路的公共端。如图1所示。 2．输入特性曲线 输入特性曲线是指当集-射极电压U CE为常数时，输入电路( 基极电路)中基极电流I B与基-射极电压U BE之间的关系曲线I B = f (U BE)，如图2所示。 图2 3DG100晶体管的输入特性曲线 U CE=0V时，B、E间加正向电压，这时发射结和集电结均为正偏，相当于两个二极管正向并联的特性。 U CE≥1V时，这时集电结反偏，从发射区注入基区的电子绝大部分都漂移到
集电极，只有小部分与空穴复合形成I B。U CE>1V以后，I C增加很少，因此I B 的变化量也很少，可以忽略U CE对I B的影响，即输入特性曲线都重合。 由输入特性曲线可知，和二极管的伏安特性一样，晶体管的输入特性也有一段死区。只有在发射结外接电压大于死区电压时，晶体管才会导通，有电流I B。 晶体管死区电压：硅管0.5V，锗管0.1V。晶体管正常工作时发射结电压：NPN型硅管U BE0.6 ~ 0.7) V PNP型锗管U BE0.2 ~ 0.3) V 3．输出特性曲线 输出特性曲线是指当基极电流I B为常数时，输出电路(集电极电路)中集电极电流I C与集-射极电压U CE之间的关系曲线I C = f (U CE)，如图3所示。 变化曲线，所以晶体管的输出特性曲在不同的I B下，可得出不同的I C随U CE 线是一族曲线。下面结合图4共发射极电路来进行分析。 图3 3DG100晶体管的输出特性曲线图4 共发射极电路 晶体管有三种工作状态，因而输出特性曲线分为三个工作区 (1) 放大区 在放大区I C=βI B，也称为线性区，具有恒流特性。在放大区，发射结处于正向偏置、集电结处于反向偏置，晶体管工作于放大状态。 对NPN 型管而言, 应使U BE> 0, U BC< 0，此时，U CE> U BE。 (2) 截止区I B = 0 的曲线以下的区域称为截止区。 I B = 0 时, I C = I CEO(很小)。(I CEO<0.001mA)。对NPN型硅管，当U BE<0.5V 时, 即已开始截止, 为使晶体管可靠截止, 常使U BE≤0。截止时, 集电结也处于反向偏置(U BC≤ 0),此时, I C≈0, U CE≈U CC。 (3) 饱和区当U CE< U BE时，集电结处于正向偏置(U BC> 0)，晶体管工作于饱和状态。
半导体管特性图示仪的使用和晶体管参数测量 一、实验目的 1、了解半导体特性图示仪的基本原理 2、学习使用半导体特性图示仪测量晶体管的特性曲线和参数。 二、预习要求 1、阅读本实验的实验原理，了解半导体图示仪的工作原理以及XJ4810 型半导体管图示仪的各旋钮作用。 2、复习晶体二极管、三极管主要参数的定义。 三、实验原理 （一）半导体特性图示仪的基本工作原理 任何一个半导体器件，使用前均应了解其性能，对于晶体三极管，只要知道其输入、输出特性曲线，就不难由曲线求出它的一系列参数，如输入、输出电阻、电流放大倍、漏电流、饱和电压、反向击穿电压等。但如何得到这两组曲线呢？最早是利用图4-1 的伏安法对晶体管进行逐点测试，而后描出曲线，逐点测试法不仅既费时又费力，而而且所得数据不能全面反映被测管的特性，在实际中，广泛采用半导体特性图示仪测量的晶体管输入、输出特性曲线。 图4-1 逐点法测试共射特性曲线的原理线路用半导体特性图示仪测量晶体管的特性曲线和各种直流参量的基本原理是用图4-2（a）中幅度随时间周期性连续变化的扫描电压UCS代替逐点法中的可调电压EC，用图4-2（b）所示的和扫描电压UCS的周期想对应的阶梯电流iB来代替逐点法中可以逐点改变基极电流的可变电压EB，将晶体管的特性曲线直接显示在示波管的荧光屏上，这样一来，荧光屏上光点位置的坐标便代替了逐点法中电压表和电流表的读数。
1、共射输出特性曲线的显示原理 当显示如图4-3 所示的NPN 型晶体管共发射极输出特性曲线时，图示仪内部和被测晶体管之间的连接方式如图4-4 所示. T是被测晶体管,基极接的是阶梯波信号源,由它产生基极阶梯电流ib 集电极扫描电压UCS直接加到示波器(图示仪中相当于示波器的部分,以下同)的X轴输入端,,经X轴放大器放大到示波管水平偏转板上集电极电流ic经取样电阻R得到与ic成正比的电压,UR=ic,R加到示波器的Y轴输入端,经Y轴放大器放大加到垂直偏转板上.子束的偏转角与偏转板上所加电压的大小成正比,所以荧光屏光点水平方向移动距离代表ic的大小,也就是说,荧光屏平面被模拟成了uce-ic 平面. 图4-4 输出特性曲线显示电路输出特性曲线的显示过程如图4-5 所示 当t=0 时, iB =0 ic=0 UCE =0 两对偏转板上的电压均为零,设此时荧光屏上光点的位置为坐标原点。在0-t1,这段时间内,集电极扫描电压UCS 处于第一个正弦半波周期。
语音信号特征参数提取方法 阮雄飞微电子学与固体电子学 摘要：在语音技术的发展过程中使用了大量的语音信号特征参数, 好的语音信号特征参数能对语音识别起至关重要的作用。本文对语音信号特征参数提取方法以及国内外研究现状进行了介绍,最后介绍了Hilbert-Huang 这一新兴理论成果以及在特征提取中的应用。 关键词：语音技术特征提取HHT 1 引言 语音信号是一种短时平稳信号，即时变的，十分复杂，携带很多有用的信息，这些信息包括语义、个人特征等，其特征参数的准确性和唯一性将直接影响语音识别率的高低，并且这也是语音识别的基础[1]。特征参数应该能够比较准确地表达语音信号的特征具有一定的唯一性。 上世纪40年代，potter等人提出了“visiblespeech”的概念，指出语谱图对语音信号有很强的描述能力，并且试着用语谱信息进行语音识别，这就形成了最早的语音特征，直到现在仍有很多的人用语谱特征来进行语音识别[2]。后来，人们发现利用语音信号的时域特征可以从语音波形中提取某些反映语音特性的参数，比如：幅度、短时帧平均能量、短时帧过零率、短时自相关系数、平均幅度差函数等。这些参数不但能减小模板数目运算量及存储量而且还可以滤除语音信号中无用的冗余信息。语音信号特征参数是分帧提取的, 每帧特征参数一般构成一个矢量, 所以语音信号特征是一个矢量序列。我们将语音信号切成一帧一帧, 每帧大小大约是20-30ms。帧太大就不能得到语音信号随时间变化的特性, 帧太小就不能提取出语音信号的特征, 每帧语音信号中包含数个语音信号的基本周期。有时希望相邻帧之间的变化不是太大, 帧之间就要有重叠, 帧叠往往是帧长的1/2或1/3。帧叠大, 相应的计算量也大[3]。随着语音识别技术的不断发展时域特征参数的种种不足逐渐暴露出来，如这些特征参数缺乏较好稳定性且区分能力不好。于是频域参数开始作为语音信号的特征比如频谱共振峰等。经典的特征提取方法主要有LPCC（线性预测倒谱系数）、MFCC（美尔频率倒谱系数）、HMM（隐马尔科夫模型）、DTW（动态时间规整）等。 2 语音信号特征参数提取方法
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
“启动”的时域波形 1、 语音预加重： 由于语音信号在高频部分衰减，在进行频谱分析时，频率越高，所占的成分越小，进行语音预加重，可以提升语音高频部分，使频谱变得平坦，以方便进行频谱的分析和处理。通常的措施是采用数字滤波器进行预加重，传递函数是：11)(--=z z H α，其中α一般去0.92-0.98之间，所以在计算的时候取0.9375。 预加重后的波形 2、 分帧 加窗 语音信号具有较强的时变特性，其特性是随时间变化的，但是语音的形成过程与发音器官的运动有关，这种物理运动比起声音振动的速度十分缓慢，在较短的时间内，语音信号的特征可以被认为是保持不变的，通常对语音处理是通过截取语音中的一段进行处理的，并且短段之间彼此经常有一些叠加，这一段语音成为一帧语音，语音段的长度称为帧长，对每一帧处理的结果可用一组数来表示。一般取帧长为10—30ms 。采样频率是8000Hz ，所以取的帧长是256，帧移是178。分帧之后加汉明窗。 3、 端点检测 端点检测从背景噪声中找出语音的开始和终止点。 短时能量就是每帧语音信号振幅的平方和。 ∑-==1 0)]([N m n m s E ；
短时能量曲线 短时过零率是每帧内信号通过零点的次数，是信号采样点符号的变化次数。 ∑-=+-=1 )]1(sgn[)](sgn[21N m n m x m x Z ； “启动”的过零率曲线 在实验室的安静的环境下，依靠短时能量和短时过零率就可进行语音信号的起止点判断。当背景噪声较小时，没有语音信号的噪声能量很小，而语音信号的短时能量增大到了一定数值，可以区分语音信号的开始点和终止点。当背景噪声较大时，可以用短时平均过零率和短时能量结合来判断。 基于能量一过零率的端点检测一般使用两级判决法，在开始进行端点检测之前，首先为短时能量和过零率分别确定两个门限。整个语音信号的端点检测可以分为四段：静音、过渡音、语音段、结束时的静音段， （1）如果能量或过零率超越了低门限，就应该开始标记起点，进入过渡段。在过渡段中，由于参数的数值比较小，不能确信是否处于真正的语音段，因此只要两个参数的数值都回落到低门限以下，就将当前状态恢复到静音状态。而如果在过渡段中两个参数中的任一个超过了高门限，就可以确信进入语音段了，并标记起始点。 （2）如果当前状态之前处于语音段，而此时两个参数的数值降低到底门限以下，并且持续时间大于设定的最长时间门限，那么就认为语音结束了，返回到参数值降低到底门限以下的时刻，标记结束点。 端点检测波形
特征提取在人脸识别中的应用 刘磊，2014080008 一、 人脸识别研究现状 人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。 第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。 第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。 第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。 二、人脸识别系统 人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。 三、人脸识别的描述分类 1、人脸检测
学院：信电学院班级：电信102 姓名：徐景广学号：2010081261 课程：专业综合实验实验日期：2014年1 月 3 日成绩： 实验二、语音信号时域特征参数提取 一、实验目的 1．掌握利用matlab程序进行语音信号的录制与回放。 2．理解语音信号的时域特征参数的概念，如短时能量、短时过零率等。 3．掌握matlab的开发环境。 4．掌握对语音信号进行时域特征参数提取的方法。 二、实验原理 本实验要求掌握时域特征分析原理，并利用已学知识，编写程序求解语音信号的短时过零率、短时能量、短时自相关特征，分析实验结果。 1.窗口的选择 通过对发声机理的认识，语音信号可以认为是短时平稳的。在5~50ms的范围内，语音频谱特性和一些物理特性参数基本保持不变。我们将每个短时的语音称为一个分析帧。一般帧长取10~30ms。我们采用一个长度有限的窗函数来截取语音信号形成分析帧。通常会采用矩形窗和汉明窗。图1.1给出了这两种窗函数在帧长N=50时的时域波形。
学院： 信电学院 班级：电信102 姓名： 徐景广 学号： 2010081261 课程：专业综合实验 实验日期：2014年 1 月 3 日 成绩： 0.2 0.40.60.811.2 1.41.61.82矩形窗 sample w （n ） 0.1 0.20.30.40.50.6 0.70.80.91hanming 窗 sample w （n ） 图1.1 矩形窗和Hamming 窗的时域波形 矩形窗的定义：一个N 点的矩形窗函数定义为如下 {1,00,()n N w n ≤<=其他 hamming 窗的定义：一个N 点的hamming 窗函数定义为如下 0.540.46cos(2),010,()n n N N w n π-≤<-??? 其他 = 这两种窗函数都有低通特性，通过分析这两种窗的频率响应幅度特性可以发现（如图1.2）：矩形窗的主瓣宽度小（4*pi/N ），具有较高的频率分辨率，旁瓣峰值大（-13.3dB ），会导致泄漏现象；汉明窗的主瓣宽8*pi/N ，旁瓣峰值低（-42.7dB ），可以有效的克服泄漏现象，具有更平滑的低通特性。因此在语音频谱分析时常使用汉明窗，在计算短时能量和平均幅度时通常用矩形窗。表1.1对比了这两种窗函数的主瓣宽度和旁瓣峰值。
常用晶体管参数表 索引晶体管型号反压Vbeo 电流Icm 功率Pcm 放大系数特征频率管子类型9011 50V 0.03A 0.4W * 150MHZ NPN 9012 50V 0.5A 0.6W * * PNP 9013 50V 0.5A 0.6W * * NPN 9014 50V 0.1A 0.4W * 150MHZ NPN 9015 50V 0.1A 0.4W * 150MHZ PNP 9018 30V 0.05A 0.4W * 1GHZ NPN 2N2222 60V 0.8A 0.5W 45 * NPN 2N2369 40V 0.5A 0.3W * 800MHZ NPN 2N2907 60V 0.6A 0.4W 200 * NPN 2N3055 100V 15A 115W * * NPN2N 2N3440 450V 1A 1W * * NPN 2N3773 160V 16A 150W * * NPN 2N5401 160V 0.6A 0.6W * 100MHZ PNP 2N5551 160V 0.6A 0.6W * 100MHZ NPN 2N5685 60V 50A 300W * * NPN 2N6277 180V 50A 300W * * NPN 2N6678 650V 15A 175W * * NPN 2SA 2SA1009 350V 2A 15W ** PNP 2SA1012Y 60V 5A 25W ** PNP 2SA1013R 160V 1A 0.9W * * PNP 2SA1015R 50V 0.15A 0.4W * * PNP 2SA1018 150V 0.07A 0.75W * * PNP 2SA1020 50V 2A 0.9W * * PNP 2SA1123 150V 0.05A 0.75W * * PNP 2SA1162 50V 0.15A 0.15W * * PNP 2SA1175H 50V 0.1A 0.3W * * PNP 2SA1216 180V 17A 200W * * PNP 2SA1265 140V 10A 30W ** PNP 2SA1266Y 50V 0.15A 0.4W * * PNP 2SA1295 230V 17A 200W * * PNP 2SA1299 50V 0.5A 0.3W * * PNP 2SA1300 20V 2A 0.7W * * PNP 2SA1301 200V 10A 100W * * PNP 2SA1302 200V 15A 150W * * PNP 2SA1304 150V 1.5A 25W ** PNP 2SA1309A 25V 0.1A 0.3W * * PNP 2SA1358 120V 1A 10W *120MHZ PNP 2SA1390 35V 0.5A 0.3W * * PNP 2SA1444 100V 1.5A 2W * 80MHZ PNP 2SA1494 200V 17A 200W * 20MHZ PNP 2SA1516 180V 12A 130W * 25MHZ PNP
语音特征参数MFCC的提取及识别 耳蜗实质上相当于一个滤波器组，耳蜗的滤波作用是在对数频率尺度上进行的，在1000HZ下，人耳的感知能力与频率成线性关系；而在1000HZ以上，人耳的感知能力与频率不构成线性关系，而更偏向于对数关系，这就使得人耳对低频信号比高频信号更敏感。Mel频率的提出是为了方便人耳对不同频率语音的感知特性的研究。频率与Mel频率的转换公式为： MFCC在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的研究成果，采用这种技术语音识别系统的性能有一定提高。 MFCC参数的提取1、 预加重处理 预加重处理其实是一个高通滤波器，该高通滤波顺的传递函数为：
其中的取值为0.97，该高通滤波器作用是滤去低频，使语音信号的高频特性更加突现。 2、 分帧及加窗处理 由于语音信号只在较短的时间内呈现平稳性（一般认为 10-30ms），因此将语音信号划分为一个一个的短时段即一帧。同时为避免丢失语音信号的动态信息，相邻帧之间要有一段重叠区域，重叠区域一段为帧长的1/2或1/3。然后再将每帧乘上窗函数，以增加每帧左端和右端的连续性。 3、 各帧信号的FFT变换 对分帧加窗后的各帧信号进行FFT变换得到各帧的频谱。并对语音信号的频谱取模平方得到语音信号的功率谱。
4、 三角滤波器系数的求取 定义若干个带通三角滤波器(k)，0<=m<=M，M为滤波器个数，其中心频率为f(m),每个带通三角滤波器的频率响应为 且满足Mel(f(m))-Mel(f(m-1))=Mel(f(m+1))-Mel(f(m)) 求得滤波系数为m(i),i=1,…,p，p为滤波器阶数 5、 三角滤波并进行离散余弦变换DCT
实验题目：晶体管输入输出特性曲线测试电路的设计 班级： 学号： 姓名： 日期：
一、实验目的 1. 了解测量双极型晶体管输出特性曲线的原理与方法 2. 熟悉脉冲波形的产生和波形变换的原理与方法 3. 熟悉各单元电路的设计方法 二、实验电路图及其说明 晶体管共发射极输出特性曲线如图所示，它是由函数i c=f (v CE)|i B=常数，表示的一簇曲线。它既反映了基极电流i B对集电极电流i C 的控制作用，同时也反映出集电极和发射极之间的电压v CE对集电极电流i C的影响。 如使示波器显示图那样的曲线，则应将集电极电流i C取样，加至示波器的Y轴输入端，将电压v CE加至示波器的X轴输入端。若要显示i B为不同值时的一簇曲线，基极电流应为逐级增加的阶梯波形。通常晶体管的集电极电压是从零开始增加，达到某一数值后又回到零值的扫描波形，本次实验采用锯齿波。 测量晶体管输出特性曲线的一种参考电路框图如图所示。 矩形波震荡电路产生矩形脉冲输出电压v O1。该电路一方面经锯齿波形成电路变换成锯齿波v O2，作为晶体管集电极的扫描电压；另一方面经阶梯波形成电路，通过隔离电阻送至晶体管的基极，作为积极驱动电流i B，波形见图3的第三个图（波形不完整，没有下降）。 电阻R C将集电极电流取样，经电压变换电路转换成与电流i C成正比的对地电压V O3,加至示波器的Y轴输入端，则示波器的屏幕上便会显示出晶体管输出特性曲线。 需要注意，锯齿波的周期与基极阶梯波每一级的时间要完全同步（用同一矩形脉冲
产生的锯齿波和阶梯波可以很好的满足这个条件）。阶梯波有多少级就会显示出多少条输出特性曲线。另外，每一整幅图形的显示频率不能太低，否则波形会闪烁。 选作：晶体管特性曲线数目可调： 主要设计指标和要求： 1、矩形波电压（V O1）的频率f大于500Hz,误差为±10Hz，占空比为4%~6%，电压幅度 峰峰值大约为20V。 2、晶体管基极阶梯波V O3的起始值为0，级数为10级，每极电压0.5V~1V。 3、晶体管集电极扫描电压V O2的起始电压为0V，幅度大约为10V。 三、预习 理论计算：电路设计与仿真： 1.矩形波电路：仿真图如下：
常用场效应管和晶体管参数大全 常用场效应管和晶体管参数大全 IRFU020 50V 15A 42W * * NMOS场效应IRFPG42 1000V 4A 150W * * NMOS场效应IRFPF40 900V 4.7A 150W * * NMOS场效应IRFP9240 200V 12A 150W * * PMOS场效应IRFP9140 100V 19A 150W * * PMOS场效应IRFP460 500V 20A 250W * * NMOS场效应IRFP450 500V 14A 180W * * NMOS场效应IRFP440 500V 8A 150W * * NMOS场效应IRFP353 350V 14A 180W * * NMOS场效应IRFP350 400V 16A 180W * * NMOS场效应IRFP340 400V 10A 150W * * NMOS场效应IRFP250 200V 33A 180W * * NMOS场效应IRFP240 200V 19A 150W * * NMOS场效应IRFP150 100V 40A 180W * * NMOS场效应IRFP140 100V 30A 150W * * NMOS场效应IRFP054 60V 65A 180W * * NMOS场效应IRFI744 400V 4A 32W * * NMOS场效应IRFI730 400V 4A 32W * * NMOS场效应IRFD9120 100V 1A 1W * * NMOS场效应IRFD123 80V 1.1A 1W * * NMOS场效应IRFD120 100V 1.3A 1W * * NMOS场效应IRFD113 60V 0.8A 1W * * NMOS场效应IRFBE30 800V 2.8A 75W * * NMOS场效应IRFBC40 600V 6.2A 125W * * NMOS场效应IRFBC30 600V 3.6A 74W * * NMOS场效应IRFBC20 600V 2.5A 50W * * NMOS场效应IRFS9630 200V 6.5A 75W * * PMOS场效应IRF9630 200V 6.5A 75W * * PMOS场效应IRF9610 200V 1A 20W * * PMOS场效应IRF9541 60V 19A 125W * * PMOS场效应IRF9531 60V 12A 75W * * PMOS场效应IRF9530 100V 12A 75W * * PMOS场效应IRF840 500V 8A 125W * * NMOS场效应IRF830 500V 4.5A 75W * * NMOS场效应IRF740 400V 10A 125W * * NMOS场效应IRF730 400V 5.5A 75W * * NMOS场效应IRF720 400V 3.3A 50W * * NMOS场效应IRF640 200V 18A 125W * * NMOS场效应IRF630 200V 9A 75W * * NMOS场效应IRF610 200V 3.3A 43W * * NMOS场效应IRF541 80V 28A 150W * * NMOS场效应
人脸识别主要算法原 理
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但
Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识