基音周期

这个MATLAB练习项目设计并实现了基于SIFT（简单逆滤波跟踪）方法的基音周期检测器。该检测器利用LPC误差信号的自相关峰值来检测和跟踪浊音区间的基音周期。SIFT基音周期检测器通过二次自相关峰值来校正由于基音周期加倍和相关效应引起的检测误差。详细的用户指南可以在文件“4.6 LPC Sift Pitch Detector.pdf”中找到。

该项目利用自相关和归一化互相关方法，实现了对浊音语音信号的基音周期进行检测。

利用Matlab分别基于自相关函数（ACF）和加权平均差函数（W-AMDF）进行基音频率的计算，两种方法均已成功调试。相关word文档为下载资源，供参考对比。

Matlab开发：应用于检测最新周期和序列的周期功率谱。周期功率谱及其在DNA序列潜在周期检测中的应用。

为了合成表达说话人情感状态的语音，研究者提出了一种基于情感基音模板的合成方法。该方法构建了高兴、愤怒、悲伤和中立四种情感的韵母基音模板库和声调模型。通过对语音库中情感语音韵律特征参数的统计分析，利用基音同步叠加算法（PSOLA）合成带有情感色彩的语音。合成以音节为单位，根据情感特征参数的统计分析结果调节合成语音的韵律特征，从而合成各种情感的语音。仿真实验结果表明，使用情感基音模板合成的语音能够表达目标情感，通过韵律参数调节，可以合成更理想的情感语音。该方法可用于增强语音合成系统的表现力。

这些功能允许用户将整个驱动周期内数千个机器操作点替换为更少的代表点。在优化机器或分析不同轧制循环性能时，这对于极大地加速过程至关重要。此外，工具箱还提供了详细的用户手册和测试脚本。

本代码是基于Panagiotakis等人提出的PMUCOS方法的简单实现，用于发现视频中所有的周期性部分并估计它们的周期，完全无需监督。这些周期性片段可以存在于视频的任何位置，具有不同的持续时间、速度和周期，适用于各种对象（如人、动物、机器等）的运动模式。如需引用相关论文，请参考Panagiotakis等人在IEEE国际图像处理会议上的研究。

针对周期行为挖掘中时空数据采样频率不确定、数据稀疏和时空数据噪声等问题，采用GMPF（GPS Multi-Periodic Find）算法探索用户的周期模式。该方法首先将用户轨迹序列转换为兴趣点集合，然后针对每个兴趣点进行周期挖掘。在微软亚洲研究院的Geolife项目中，利用182名用户4年的GPS数据进行了验证实验，证明了该方法的有效性，对数据噪声和稀疏性具有较好的适应性。

数据规划：制定完善的数据模型，建立数据治理体系。 数据设计：制定并贯彻数据标准，统一数据建模和管理。 数据创建：利用数据模型保证数据完整性，执行数据标准，从源头保证数据正确性。 数据使用：利用元数据监控数据使用，执行数据标准，并利用数据质量检查加工正确的数据。

数据库设计方法 数据库设计主要有两种方法：面向数据和面向过程。面向数据方法以信息需求为主，兼顾处理需求；面向过程方法以处理需求为主，兼顾信息需求。由于数据在系统中的稳定性高，数据已成为系统的核心，因此面向数据的设计方法已成为主流。 数据库设计生命周期 数据库设计通常采用生命周期法，将数据库应用系统开发分解成目标独立的阶段： 需求分析阶段 概念设计阶段 逻辑设计阶段 物理设计阶段 编码阶段 测试阶段 运行阶段 进一步修改阶段 数据库设计中主要采用前4个阶段，其成果分别是： 需求分析阶段：需求说明书 概念设计阶段：概念数据模型 逻辑设计阶段：逻辑数据模型 物理设计阶段：数据库内模式 数据库