排序方式: 共有32条查询结果,搜索用时 31 毫秒
21.
提出了一种新的说话人辨认的神经网络结构.这种结构是独立文本的、噪声鲁棒性的、基于贝叶斯理论和自组织映射网络的.试验结果表明这种贝叶斯自组织网络在说话人辨认中是有效的. 相似文献
22.
有效的特征提取方法能提高脑机接口(Brain-computer interface,BCI)系统对脑电(Electroencephalogram,EEG)信号的识别率.因脑电信号都是多通道的,本文将分层向量自回归(Hierarchical vector autoregression,HVAR)模型用于脑电信号的特征提取,并结合传统的线性支持向量机(Support vector machine,SVM)用于脑电信号识别.该模型不仅克服了自回归(Autoregression,AR)模型只能用来提取单通道特征的局限性,而且不再采用传统VAR(Vector autoregression)模型所有通道共用一个时滞的处理方法.创新之处在于在传统的VAR模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构.本文首次将HVAR模型用于由Keirn等采集并整理的脑电数据中.实验结果证明HVAR模型在阶数较小的情况下(2阶)与阶数较大(6阶)的AR模型效果相当,可见低阶的HVAR能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义. 相似文献
23.
基于数据的流形假设,进行了Android手机的活动识别研究,提出了一种深度重构模型(DRMs),该模型无需基础几何的先验假设就能自动学习到当前类样本的复杂非线性曲面结构和几何特点。首先定义了一个深度重构模型(DRM)模板,通过高斯受限玻尔兹曼机(GRBMs)逐层贪婪训练以初始化DRM模板的权重。在训练阶段,根据每类样本分别微调初始化后的DRM模板便可得到特定类的DRM。在测试阶段,基于测试样本与特定类DRM的最小重构误差决策活动类别。实验证明,该方法对Android手机数据集的活动识别正确率高达99%。 相似文献
24.
提出了一种可视化的方法评价葡萄酒质量。葡萄酒数据来自于认证阶段的物理化学分析测试,其中输入变量是11个,输出变量是葡萄酒质量,共得到1599个的红葡萄酒样本和4898个的白葡萄酒样本。结果表明该方法的效果优于传统的神经网络和支持向量机方法,并且具有可视化的优点。这对于改进酿酒品酒评价和葡萄酒生产都有重要意义,并且对根据消费者口味细分目标市场也很有帮助。 相似文献
25.
本文提出了一种注意力胶囊网络的新框架利用录音识别家庭活动.胶囊网络可以通过动态路由算法来选择基于每个声音事件的代表性频带.为了进一步提高其能力,我们在胶囊网络中加入注意力机制,它通过加权来增加对重要时间帧的关注.为了评估我们的方法,我们在声学场景和事件的检测和分类(Detection and Classification of Acoustic Scenes and Events,DCASE)2018挑战任务5数据集上进行测试.结果表明,F1平均得分可达92.1%,优于几个基线方法的F1得分. 相似文献
26.
提出了一种基于最小分类错误准则的概率神经网络的训练算法。实验结果表明,该系统及其MCE学习算法在20个说话人辨认应用中利用5s清晰语音获得98.9%的辨认率,利用l5s电话语音获得86.2%的辨认率。 相似文献
27.
模糊C-均值聚类新算法在说话人辨认中的应用 总被引:2,自引:0,他引:2
该文提出了一种将模糊C-均值聚类法的各种改进算法与矢量量化法相结合的说话人辨认的新方法。首先从语音信号中提取MFCC特征矢量,其次利用矢量量化来设计码书,最后用改进算法对待识语音进行辨认。新算法的辨认率达到95%以上,抗噪性能也优于矢量量化法。 相似文献
28.
给出了一种基于高斯核函数有不同协方差的混合模型的异方差 PNN的实现。传统的 ML 估计方法和 EM算法在训练异方差 PNN存在数学上的困难甚至导致算法失败。从协方差的根源出发提出了协方差限制的简单 EM改进算法 ,又基于杰克刀技术提出了鲁棒性的 EM改进算法。此外又从信息论出发提出了基于最小相对熵的训练新算法。闭集文本自由说话人辨认试验证明了提出的模型及其算法的正确性。 相似文献
29.
30.
给出了大数据和机器学习的子领域——深度学习的概念,阐述了深度学习对获取大数据中的有价值信息的重要作用。描述了大数据下利用图像处理单元(GPU)进行并行运算的深度学习框架,对其中的大规模卷积神经网络(CNN)、大规模深度置信网络(DBN)和大规模递归神经网络(RNN)进行了重点论述。分析了大数据的容量、多样性、速率特征,介绍了大规模数据、多样性数据、高速率数据下的深度学习方法。展望了大数据背景下深度学习的发展前景,指出在不远的将来,大数据与深度学习融合的技术将会在计算机视觉、机器智能等多个领域获得突破性进展。 相似文献