文摘
基于双核技术和信息流动的nontransmission理论和不干扰,本文进行了详细的系统信任环境调查等关键问题上信任路由嵌入式结构设计和可靠性分析。与此同时,我们将研究从语音数据提取特征的方法。在处理异常时音频检测,首先,预处理有效的音频剪辑陷害和窗口的,稳定短期特征;特性是稳定后,音频数据的频率特性和时域特性进行了分析和比较。然后结合具体应用,进行详细的需求分析,高校体育教育的发展规划和实施方法提出了网络辅助系统。教学系统采用三层体系结构。为了扩大现有的功能,本文采用模块化的原则,从以下四个方面:教育资源,在线问答,课程,与本模块。我们选择面向对象和easy-to-expandable模块,如编程语言的发展和实现环境和数据库系统。通过将音频异常检测技术应用到嵌入式系统的大学体育课堂,它可以有效地优化传统的体育教学模式,促进教学效率和体育教学在信息时代的新发展。
1。介绍
本文解释了如何使用一个引导装载程序和一个稳定的内核创建一个根为嵌入式系统的信任。本文开始FLASH加速器项目和测试,验证了信任的内核,并保护FLASH引导程序通过阻止用户和先进的软件编写(1]。通过两者的结合,可以保证可靠的信任根安全功能;可信平台的可信内核集成组件(vTPM),和为用户提供一个统一的系统接口,实现简单的配置和兼容存储不同的FLASH域安装平台和地区(2]。与可信计算组织结构相比,这种方法不需要额外的设备,可以避免成本超支、功耗和体积,使它更多样化的(3]。在这篇文章中,已经形成了一个原型系统来实现该方法。实验结果表明,该方法可以提供可信平台模块(TPM)加密服务相关函数,有效地提高系统的安全性。然后,我们将研究音频检测异常的分类方法4,5]。本文使用深前馈神经网络作为分类器进行分析的基本单位和建筑深刻的前馈神经网络和比较各种激活的优点和缺点,损失,优化算法(6]。在本文中,我们将设计两个深层神经网络前馈模型架构,所有这些都适合高性能服务器与强大的计算能力和节能嵌入式设备(7]。对比实验表明,该算法与传统算法具有良好的性能分类效果。以在线体育的发展为主题,建立体育网络辅助系统的内容,研究网络技术在物理教育的辅助作用研究(8]。在设计大学体育系统中,体育教师可以通过互联网在线学习环境,他们准备课程和PPT和可以使用在线技术上传视频,上传作业,和测试标准和结果(9,10]。学生可以在任何时候访问服务器上的课程材料,避免缺乏知识的问题由于某些技术动作的难度在体育11]。教学系统打破了传统体育教育模式的时间和空间的界限,实现在线学习和回答学生的问题,上传和下载数据和其他功能。系统接口很简单,容易使用,方便教师和学生使用,实现了教育资源信息管理和教师之间的教育资源共享,并帮助当代学生更好地学习物理教育,不要只关注知识的书籍,并让其道德、智力、身体、美丽、和劳动得到全面发展12,13]。
2。相关工作
文献介绍了前馈神经网络,分析了深前馈神经网络的基本单位和建筑细节,比较和分析了不同的激活函数的优缺点,损失函数和优化算法,并使用深度学习培训亚当优化算法优化器在这个过程中,和两个深前馈神经网络模型的架构设计(14]。文献介绍了音频事件检测算法,介绍了框架和音频事件检测算法的过程,特别是州音频预处理过程(框架、窗口等)和一些经典特性常用的音频;深度学习的基本知识与事件检测,包括一些常用的网络,如卷积神经网络(15]。文献介绍了CRNN异常声音事件检测算法的光谱图,提取音频异常事件的谱图,并将异常音频转换为光谱图的形式。这个音频的时频表示是非常合适的,可以有效地输入深度学习音频识别模型进行进一步的功能学习和分类;选择一个混合CRNN模型作为基本的识别模型,学习光谱图的特征,最后给出分类结果;行为实验模型的训练和测试模型的准确性。与泛化能力,验证该算法的性能。文献介绍了神经网络异常CRDNN音频事件,这是一个增强模块的音频数据(16]。CRDNN执行一系列的数据增强计算等输入异常的音频数据编码,翻译,和解码(17]。实验证明,CRDNN数据增强模块使得模型具有较强的抗噪声性能,证明了添加的模块有效地抑制环境噪声和改善异常音频事件在不同的情况下检测的准确性和实际环境中使用不同的信噪比(18]。文献介绍了相关技术用于构建体育教育网络辅助系统,如三层模型,数据库访问技术和编程技术(19,20.]。
3所示。嵌入式系统和音频异常检测
3.1。嵌入式系统
可信计算的最初目的是为了解决计算机系统的隐患,而且大部分的现有研究也进行计算机系统。嵌入式系统和计算机系统是非常不同的技术基础和应用领域。因此,研究成果适用于计算机系统不能直接转移到嵌入式领域。建立一个集成的可信计算环境面临着许多新的科学问题。
嵌入式计算机,计算机设计为特定的应用程序,不仅计算机的一些共同特征,但也有自己明显的特征。嵌入式设备有特殊的技术环境,比如不同的体系结构和系统之间的显著差异。这些属性阻止嵌入式设备使用最初适用传统的安全保护设备。嵌入式计算的可靠性研究环境可以学习计算机可靠性合作研究的结果,但是嵌入式系统的独特的属性和需求也必须加以考虑。
嵌入式系统的主体计算上运行的应用软件。建立一个可靠的嵌入式计算机环境包括提供可靠的操作媒体和相关应用软件的技术机制,比如计算机硬件和软件环境。
建立一个全面的信任路线,如何设计一个可信路由根据嵌入式系统的要求。DRTM动态信任路由技术的核心概念是引入新CPU命令和使用和相关的命令处理器提供的机制来实现一个动态结构化和可靠的测量环境。我们可以使用新指令来创建一个可控和可核查的执行环境,不受系统加载的组件的影响,确保程序加载下的指令,而不是被其他组件,形成可靠的动态执行环境。
3.2。不正常的音频特征提取
对于不同的短期分析方法,以获得不同的音频数据特征参数,根据需要选择不同的窗函数分析方法。框架和窗口音频数据的过程需要乘以音频波形的时域窗函数。这个过程应该梯度两端的时间尽可能小,以避免突然改变两端的时间框架。截取音频波形正在慢慢减少到零,这会削弱音频帧的拦截效果。3 dB的窗口函数应该增加带宽的频率范围,和最大边带应该小。
矩形窗口的公式
数字滤波器的频率响应
矩形窗口有一个线性频率响应和频率对应于第一个零值的频率响应
汉明窗函数如下:
矩形窗口具有更好的光谱平滑,但它极大地损害高频信息,造成损失的波形细节。汉明窗保护更好的高频信息并保存音频信号的细节数据。因此,汉明窗的音频;在分类性能比矩形窗。
窗口形状的选择是非常重要的在音频信号数据分析。不同的窗函数的选择将会影响短期时域分析的特征参数。选择一个合适的窗函数是音频信号分析的基础。
如果采样周期T年代,窗口长度N,频率分辨率是△f,也就是说,
从上面的公式可以看出,时间分辨率降低随着频率分辨率的增加,分辨率和频率也降低窗口的长度减少,提高时间分辨率。在时域分析的音频数据,如果窗口长度N很大,窗函数对应于一个低通滤波器,盾牌音频信号的高频部分,高频部分的波形音频丢失,短期能量波动发生,和随时间变化太小,准确地再现音频信号振幅的变化;如果窗口长度N太小,滤波器的通带变得更广泛,短期能量变化很大,能量函数大大震荡。一般来说,窗口的长度通常是80 - 160点时,采样率为8000 Hz。
音频信号的时域分析是指的分离和分析音频信号的时域参数。最好的理解是延迟时间线波形音频可视化模型。音频信号在时域因为音频信号的本质是时间。域信号时域分析是使用最广泛的音频分析方法之一。时域分析通常是应用于最基本的参数分析和特征提取。时域分析方法有几个显著的特点。语音信号的时域信号相对比较直观,物理意义是相对明确。时域信号分析算法容易实现,计算复杂。程度很低。音频信号的特征参数在时域包括短期能源,短期零交叉,等,下面将进一步分析。
假设音频信号在时域x(l),nth帧音频信号帧和窗口处理后获得的xn(米),然后xn(米)有以下关系:
使用En代表的短期能源nth帧音频信号,即
自En的平方之和是音频信号的振幅,振幅较大的高级音频信号函数值有很大的影响。它可以提高短期平均振幅函数米n对高电压,从而削弱其影响;平信号的敏感性定义如下:
如果的短时讨论二阶导数过零率nth帧音频信号xn(米)是Z,也就是说,
计算短期参数超限时,如果输入音频信号通过转换器,其操作点转移,或者它包含50 Hz电源频率干扰,计算过程会导致更大的错误。在音频信号的输入过程中,抗锯齿带通滤波器的截止频率通常是设置高于50 Hz,防止影响。因此,它不工作的操作点便宜的转换器,和每一帧的直流分量通常是计算并排除在外。
领域的语言分类,Mel频率cepstral系数(MFCC)是一种常用的语音功能。梅尔规模相对应的频率范围是人耳的特点,大致对应于对数正态分布分布的实际频率。具体对应关系由以下公式给出:
如果临界频率带宽小于1000 Hz,带宽是100 Hz,这几乎是线性分布。如果临界频率带宽高于1000赫兹,临界频率带宽是对数正态分布。
低,中心,上限频率相邻三角形带通滤波器具有以下关系:
根据音频信号的振幅谱,每个三角形带通滤波器的输出
计算所有上述获得的滤波器输出的对数公式,并执行如下所示的离散余弦变换公式得到Mel频率cepstral系数。
计算的过程Mel倒频谱的频率系数需要快速傅里叶变换,但快速傅里叶变换对系统有很大的影响。如果快,有太少的傅里叶变换点,和频率分辨率太低,这将会导致巨大的错误和减少精度;如果快速傅里叶变换的点的数量太小,该系统将复杂的计算,不能满足实时处理的要求。与不同的硬件处理能力,MFCC参数的计算过程需要调整之间找到一个平衡精度和效率。
3.3。音频异常检测算法
由于深度学习的特性自主学习能力强,强烈的神经网络分类器的不断发展,它已经成功被广泛用于各种audio-related任务。本文进行研究与深度学习相关的异常声音事件检测算法。使用两种不同特性的输入数据深度学习模型:第一个是原始的非正常的音频信号的采样点;即原始音频的采样点直接使用工程没有任何功能,并按时间顺序排列成两个维度。的图结构用作输入深度学习模型形成一个端到端的算法模式;第二个是提取的光谱图异常深度学习模型的音频信号作为输入。功能图结构,相同的卷积神经网络混合神经网络模型和循环神经网络用于计算和适合他们;最后,不正常声音分类并通过将Softmax函数结果。
上述两个异常声音识别算法使用相同的神经网络模型。不同之处在于输入功能,折叠地图原始音频的采样点和音频谱图。异常声音识别算法的流程图如图基于深度学习1。
由于本文研究异常声音事件检测算法基于深度学习和未来使用的CNN CRNN模型的一部分是一个二维卷积层,输入特性必须与一个二维的数据结构。原始音频采样点折叠地图指的是原始波形;音频信号的采样点扩展帧,每一帧是排成一行。所有的框架都是按时间顺序排列,形成一个二维数据结构,叫做折叠图像的原始音频采样点。
图2显示异常声音的转换成光谱图。这个音频的时频表示是非常合适的,可以有效地输入到后续深度学习音频识别模型进行进一步的学习和分类功能,和特定的转换细节如下。
首先,每个独立的音频分为帧获取异常l音频帧,我是帧数、序列号和n是数据的序列标记点在一个框架的音频。具体的计算公式
在叠加所有帧FFT变换后,音频谱图。由于FFT的维数太高,和音频监控需要强大的实时性能,需要在维数降低。研究表明,人类听觉不是线性的。更是在高频率和对数线性低频率。因此,梅尔规模设计为弯曲线性频域的方法,使之更符合自然的感知:
CNN的核心是卷积和max池(max池),和其他网络层是一些非线性组件。当CNN工作时,卷积窗(卷积内核)作为局部特征分类器学习高级特性。通过获取这些权重,得到两者之间的产品组合,和相对高值和相应的特征映射,所以从原始图像获得一阶局部特性,然后得到了高阶特性。当把所有这一切放在gpu, CNN可以优化非常快。具体公式如下:
排除一些离散点和噪声,数据提供同样的问题都有相同的分布和特征。模型的学习训练数据中的数据的分布特征和应用测试数据。然而,在深度学习,深化网络层和叠加的非线性转换,数据分布常常面临的问题内部采样点的变化,逐渐变得不稳定。批归一化层的作用是保持这个数据分布和稳定的特点,在每一层的数据是通过批处理标准化层,和即将变形的原分布是固定的,以避免这个问题,如图3。
(一)
(b)
BN可以减少这种负面影响。通过归一化计算方法,每个中间层的输出值拉回到一个标准正态分布均值为0,方差为1。当本标准分布式数据输入激活层后,激活值逐渐稳定,梯度反向传播变得更大,收敛速度变得更快,从而避免梯度消失的问题。BN的特定的操作公式见公式(18)- (20.):
由于本文中的算法使用最大池,我们将主要介绍了原理图的最大池层和最大池。特定的公式
最大池的池面积的参数和步伐。池区是一个矩阵,表示参与池操作范围。矩阵的跨越振幅上下移动。一旦确定最大池面积和步幅,最大池操作也是固定的,没有参数需要迭代优化,和梯度下降法不需要改变任何值。最大池的想法是基于考虑提取的特征的冗余。这很简单,当某个相邻地区的最大特征提取,通常足以代表所有地区的特点;也就是说,最大值保留。最大值往往意味着某些特性可能被发现。
3.4。分析仿真结果
在格勒乌循环网络的一部分CRNN模型,设置不同的时间步骤影响异常声音识别的性能。实验中使用的不正常声音数据集是纯数据集,和测试识别率如图4。
CRNN模型可变输入Log-Mel谱图在频域和时域,然后执行马克斯池。马克斯池达到数据降维的目的,选择当地的最大特征值和池在频域。对于音频,很明显,类任务是有效的。唯一的争议是频域池会丢弃一些音高的变化,但所有这些依赖于数据类型和异常声音识别并不重要。关键问题是集中在时域中是一个好主意,和时域池操作是否会失去重要的计时信息的声音。这仍然是开放的。
时域池是否会影响特征尺寸重复的输入层CNN结束后,一个严格的理解,时间域池将减少从谱图中提取的时间尺度特性。在最后周期的周期数层减少;也就是说,时间步骤的数目减少。当然,每个时间步的功能尺寸不变,仍然是卷积核的数量在过去的卷积层。为了测试时域池对网络性能的影响,通过不添加池在时域,逐步添加大池、不同时间尺度的特征尺寸输入回路层和识别效果。从实验结果图,可以看出池在时域不显著降低识别的效果,但性能很好,24个步骤。其次,时间步长越少代表着更快的运行速度。
4所示。大学体育教育系统基于相关的应用技术
4.1。系统需求分析
作为网上体育教学的基础支持,系统的业务需求,主要从教育的角度分析设计。在设计在线教育时,我们必须坚持以下教学设计原则:关注教育目标和内容的分析,关注的情况下教育活动的设计,并强调教育活动的重要作用和价值。学习的同时,注重信息资源的设计协助“学习”,强调利用各种信息资源,并强调以学生自主学习设计和“协作”和协作学习环境设计和网络设计是主要的教育策略。
首先,我们需要明确网络技术支持体育教育的目标。当决定教育目标,我们必须仔细考虑计算机和网络的技术特点,并结合运动本身的特点。在实际的物理教育课程,网络技术只能起到辅助作用,因为只有通过实际操作和实践练习的预期影响课程可以实现。
教育系统的目标是使学生能够使用network-supported体育教育体系,这将大大提高学生的学习兴趣,帮助理解和掌握课程,本文的教学要点和难点,并给学生足够的余地。促进学生的学习积极性。学生和教师之间的交流和沟通可以增强教师的了解学生的学习通过在线问答,并迅速、准确地了解学生的学习和知识。通过视频和多媒体,可以复制体育课的内容,反复学习困难的内容,并在理论付诸实践。
由于学生团体的多样性,单一的课堂教学还远未满足不同学生的学习需求。建立一个体育网络辅助系统为学生学习创造一个环境知识以外的运动。通过该系统,学生可以弥补他们的缺点在物理教育。与此同时,教师还可以使用教学助理制度组织和控制他们的课程指导他们学习。
我们希望可以使用交互式网络教育模式设计体育网络辅助系统,使用网络教育环境来支持体育教育,并实现以下目标:(1)系统设计必须充分展示在线教育的好处:充分发挥学生的主导作用,有意识地进行自主学习,师生互动不再受到传统教育的时间和地点,和网络教育环境成为教师和学生选修。互相之间的沟通渠道,为彼此之间的信息交换提供空间。(2)在课堂上充分展示体育的好处:充分展示教师的领导作用,引导学生根据课程需求,制定学习目标和理解教育的重点和难点。(3)利用网络教育环境来充分发挥多媒体的优势教育:如果信息媒体,如符号、声音、图像、动画和视频集成创建一个图形化的人机交互界面和交互窗口控件,互动能力将大大提高。(4)方便教师和学生:体育教师准备在线课程在网络学习环境中,上传PPT和技术视频,发布作业和考试成绩,并宣布最终的评价标准和结果通过互联网。在物理教育,避免性能问题,如技术困难,您可以参考服务器上的教材在任何时候更仔细地听教训。
4.2。系统结构设计
网络教育主要是选择基于互联网的应用系统,完成所有的功能都通过应用程序服务器之间的交互和用户的浏览器。系统相关的数据由数据库服务器维护和组织。图5显示系统的简要描述。
教育资源模块包含5子模块。这个模块是一个开放的模块。学生只需要进入系统URL在浏览器的地址栏中直接访问教育资源模块。因此,在设计这个模块时,学生的反应速度应考虑的问题,使整个页面尽可能简单大方,使每个sub-module容易访问,并遵守设计规则今天的主要的Web应用程序。
系统导航栏中的链接指向每个sub-module和其他模块。每个sub-module对应于这个数字的结构,和两个方法需要实现这种效果:一是如何使用框架,如何定制框架,以及如何将不同部分插入到框架;另一个是调用ASP语句和在适当的地方使用表的方法来完成此操作。这个系统使用一个表格格式,使得整个系统更加统一和整体效果更加协调。
4.3。系统功能模块设计
有三个数据库中的表的在线问答子系统:教师、学生和教学管理。表1显示了教师的主体结构表。
表2展示了主要的学生表的结构。
名称和消息内容是必需的,其他都是可选的。当学生输入消息内容,系统支持HTML编辑功能,如粗体消息内容和设置超链接。通过这种方式,您可以更丰富的信息内容和插入符号和图片。
课程模块包含两个子模块。这个模块是一个开放的模块与体育资源模块。学生只需要在浏览器地址栏输入系统网址直接进入课程模块。修改的两个子模块,该模块根据不同的课程。因此,在同样的教育资源模块,这两个子模块的设计和实现电子资源提供的这两个子模块主要用于教育的过程。这部分的内容由管理员管理,包括添加资源和删除资源。
数据库中的表和相关领域如表所示3。
4.4。数据库设计
老师ID号码是老师的唯一标识。系统管理员是一个特殊的老师(用户名:admin),和基本信息存储在这里。Regstatus用于视图状态信息在注册过程中老师:0-users谁可以使用系统;时老师注册但不是由系统管理员确认。
类表结构如表所示4。
student类表如表所示5。
表显示学生属于不同的类,可以在不同的类有自己的学生id。两类学生的身份证号码和身份证号码一起确定一个学生一个惟一的类。
教师类表如表所示6。
这个表显示,教师可以教多个类,每个类都有自己的类密码。老师ID号码和身份证号码唯一地标识类的类所拥有的老师。
5。结论
本文采用双核技术等理论和方法,不间断的信息流模型设计信任路径,信任传递链,可靠性分析,建设远程认证,和其他技术方法,并将其用于嵌入式可信计算环境。适当的信任路由施工方法、可靠性分析模型和远程身份验证方法已经尝试了,并也取得了较好的应用效果。基于网络互补的教育系统是一个新的应用领域,它可以克服时间和空间的限制,为学生提供一个更好的教育环境。在本文中,基于物理教育的现状,我们检查的应用网络技术在体育运动辅助网络系统支持网络系统。
数据可用性
使用的数据来支持本研究的发现可以从作者获得。
的利益冲突
作者宣称没有利益冲突。