XiaoMi-AI文件搜索系统
World File Search System10dB
通过深度学习实现实时降噪
生物测量通常受到大量非平稳噪声的污染，需要有效的降噪技术。我们提出了一种新的实时深度学习算法，该算法可以自适应地产生与噪声相反的信号，从而发生破坏性干扰。作为概念验证，我们通过使用定制的、灵活的、3D 打印的复合电极降低脑电图中的肌电图噪声来展示该算法的性能。使用此设置，通过消除宽带肌肉噪声，EEG 的信噪比平均提高了 4dB，最高提高了 10dB。这一概念不仅可以自适应地提高 EEG 的信噪比，还可以应用于广泛的生物、工业和消费者应用，例如工业传感或降噪耳机。
EMC 测试：第 4 部分 - 辐射抗扰度
首先研究电路对不同 RF 场的幅度响应（忽略“天线”，假设 EUT 和电缆的设置不变），我们发现模拟电路通常对 RF 场的响应具有解调典型的平方律关系。例如，将场强增加 6dB 通常会导致信号误差增加 12dB。因此，即使场分布发生微小变化，和/或电缆数量及其布局发生微小变化，也会对 EUT 响应造成很大差异。例如，如果 EUT 的模拟功能在其性能标准下比其低 6dB，则它似乎已经通过了测试，并且幅度不错 - 但是在其一条电缆附近场强增加 5dB 可能会导致信号误差增加 10dB，使功能比其性能标准高 4dB。或者，如果电缆或 EUT 的一部分暴露在低 4dB 的场强下，3dB 的失败可能会变成 5dB 的通过。
适用于单脉冲雷达和生物医学传感器应用的集成混合耦合器
180 度混合耦合器设计为在 5 至 10 GHz 频率范围内小型化，求和端口相移为 0 度，差分端口相移为 180 度。小型化可以最大限度地降低功耗，而无源元件可以解决微带线基板材料复杂的可达性问题！将在 Cadence 中选择和设计电感器的金属层，并确定金属的磁导率和介电常数。设计过程从先进设计系统 (ADS) 中的环形混合耦合器微带线开始，到集总无源元件，再到 Cadence 中的有源 65nm CMOS 实现。仿真结果显示，通过中心抽头电感的材料在 EMX 仿真后产生了寄生电感，使感兴趣的频率带宽向左移动 1GHz。无源电路的正向增益为-10dB，回波损耗约为-6dB。已进行文献研究以缩小混合耦合器的体积并分析其性能参数。最终结果表明，仅使用了四个无源元件，覆盖了感兴趣的频带5GHz。
先进的声学风洞测量技术
在硬壁、封闭截面风洞中进行测量对于开发安静的飞机和验证计算结果是理想的，而开放式喷气消声设施在声学上是更好的测量环境；封闭截面风洞对测试条件的空气动力学特性提供了很高的信心。飞机的气动噪声仍然是政府和工业界面临的主要问题，封闭截面风洞中声学测量的准确性和有效性至关重要。该项目始于现有概念；增强和修改技术以适应各种风洞设施。在工业环境中成功实施麦克风阵列后，开始了进一步的研究以改进物理技术。此类测试的限制之一是使用安装在风洞壁上的麦克风阵列时信噪比 (SNR) 较差。这可能会限制辨别接近或低于设施背景噪声水平的声源的能力。本研究的第二部分旨在研究传感器安装细节如何帮助提高信噪比。本报告介绍了麦克风安装策略的系统研究。结果表明，将单个麦克风凹进麦克风直径 (d) 的深度 (最多 2d) 可带来高达 3dB 的改善。将凹进深度增加到 2d 以上可带来高达 10dB 的改善，凹进深度达到 10d 可带来高达 20dB 的改善。最大的改善发生在 25 kHz 以下，尽管在 0 到 48 kHz 范围内也有改善。埋头凹槽的效果要么没有改善，要么背景噪声水平增加高达 20dB，这可能是由于凹槽孔径内的腔模式振荡。观察到不同密度的 Kevlar 布和丝绸覆盖物之间的 SNR 存在显著差异。当在凹进阵列的地板上添加声学泡沫衬里时，观察到背景噪声水平降低了 5 到 10dB。总体而言，这项研究的结论是，使用带有声学泡沫衬里的凹进阵列可以显著提高硬壁风洞测试中的麦克风阵列 SNR。研究的最后一部分旨在找到改进给定数量传感器的麦克风阵列的方法，观察风洞中测试模型的噪声源的方向性。主要关注的是找到阵列作为源定位可行工具的范围，并确定阵列范围极端处的源的误差，以改进未来的测量技术。
评估卷积和循环神经网络在婴儿哭声识别中的抗噪性
摘要 — 可靠的婴儿哭声识别在婴儿护理和监护中起着至关重要的作用，但现实环境由于背景噪音对系统准确性构成了挑战。本研究提出了一种用于在不同噪音条件下识别婴儿哭声的新型 CNN 架构，该架构具有三个卷积层、一个最大池化层和 0.5 丢失集，并将其性能与标准 RNN 模型进行了比较。这些模型以 64 的批大小训练了 100 个时期，并在干净和嘈杂的环境中进行了评估。为了模拟真实场景，将录音转换成音频信号并受到不同程度的背景噪音的影响，特别是在不同的信噪比 (SNR) 下。结果表明，两种模型在无噪音条件下都实现了高精度 (>89%)。然而，在 10dB 噪音下，提出的 CNN 比 RNN 保持了更高的精度 (93%) 和总体准确率 (91%)，证明了其在婴儿哭声识别方面的卓越抗噪性。这种改进归功于 CNN 能够捕捉音频信号中的空间特征，这使其不易受到噪音干扰。这些发现有助于开发更可靠、更强大的婴儿哭声识别系统。