隐马尔可夫模型实现复杂数据挖掘

利用隐马尔可夫模型(HMM)对多媒体数据库进行复杂数据挖掘,复杂数据挖掘要解决的难题就是音频和视频识别。在建立音、视频识别算法的基础上,构造出符合HMM的识别方法。实验证明该系统声音的识别率最高达到96.67％,视频中特征值的检测率可达87.81％。     

一种简单有效的多分类器综合方法

针对小字符集脱机手写体汉字识别中的多分类器集成问题，提出了一种简单有效的综合方法，实验表明综合后系统的识别率明显高于单个分类器的识别率。     

Web文本挖掘系统及其关键技术研究

随着网络信息的迅猛发展,信息量日益增加,怎样从海量的Internet上获取有用信息,WEB文本挖掘系统是挖掘技术的重要应用方向,它是指在给定的分类体系下,根据网页的内容自动判别内容类别的过程,论文对文本中所涉及的关键技术,包括K-最近邻参照法模型、基于隐马尔科夫模型(HMM)的信息抽取、机器学习方法,进行了研究和探讨,并且给出了基于信息抽取的文本挖掘系统的设计实现和下一步的研究重点。     

一种基于HMM模型的音频场景分析技术

音频场景分析技术对机器自动感知环境特征具有重要的意义。考虑到Mel频率倒谱系数MFCC(Melfrequen-cycepstralcoefficient)在一定程度上可以模拟人耳的听觉感知特性,因此,提出用MFCC作为音频识别特征,通过隐马尔可夫模型进行音频场景分析的方法,该方法对7种典型场景的识别率在90%以上。     

利用上下文和基频提高汉语连续数字串识别性能

该文介绍了如何利用三音子模型和基频信息来提高汉语连续数字串的识别性能。三音子模型考虑了前后语音协同发音的影响,将上下文考虑到模型中去,可以更好地描述连续语音;各个音节的基频是随时间而变化的,其不同轨迹构成了声调,利用基频信息进一步提高了对汉语连续数字串的识别率。     

基于数据模拟和HMM自适应的电话语音识别研究

该文研究了基于数据模拟方法和HMM(隐马尔科夫模型)自适应的电话信道条件下语音识别问题。模拟数据模仿了纯净语音在不同电话信道条件下的语音行为。各基线系统的HMM模型分别由纯净语音和模拟语音训练而成。语音识别实验评估了各基线系统HMM模型在采用MLLR算法(最大似然线性回归)做无监督式自适应前后的识别性能。实验证明,由纯净语音转换生成的模拟语音有效地减小了训练语音和测试语音声学性质的不匹配,很大程度上提高了电话语音识别率。基线模型的自适应结果显示模拟数据的自适应性能比纯净语音自适应的性能最大提高达到9.8%,表明了电话语音识别性能的进一步改善和系统稳健性的提高。     

在线群体交互的影响模型及其学习算法

在线群体交互有助于数字图书馆发挥其服务人类需求的潜力，但如何量化在线群体交互对个人信息访问方面的影响还有待进一步研究．该文用隐Markov模型(HMM)来建模交互用户的状态序列及其相应的信息搜索行为，并基于影响模型理论提出了一个在线群体交互影响模型来分析用户在从数字图书馆选择资料和搜索所需信息时的相互影响．为满足本应用问题中增量模型学习的需要，文章还从耦合隐Markov模型(CHMM)学习算法引申出基于梯度的方法来进行在线群体交互影响模型参数的训练．实验结果显示，本文所提出的模型和算法能较准确地刻画在线群体交互对个人信息访问行动的影响．     

基于在线垃圾模型的语音确认方法

该文针对关键词检测和实用语音识别中OOV(Out-Of-vocabulary)问题的检测和拒绝进行研究，通过使用判别式分析，利用L-Best本地分数和N-best言语假设判别分数，进行言语判别(utterarce verification)；该文进行了两组实验，分别针对OOV问题，在小词汇量特定人孤立词识别系统、小词汇量非特定人的孤立词识别系统中进行研究。     

基于隐Markov模型的复杂仿真系统

根据复杂仿真系统具备随机性、严格时序逻辑性等工程实际特点,提出一种以隐Markov模型（HMM）为基础,利用多元统计理论定量分析复杂仿真系统运行有效性的评价方法.在引入状态观测向量矩阵的基础上,详细介绍了量化描述仿真剧情、复杂仿真系统运行状态的HMM的建立方法,给出了复杂仿真系统运行有效性评价准则,并针对评价过程中的关键算法进行了深入研究.     

基于人工心理理论的情感模型构建方法研究

人类的智能不仅表现为正常的理性思维和逻辑推理能力,也应表现为正常的情感能力。本文在阐述情感交互系统结构和情感特性的基础上,提出了一种基于HMM的情感模型,并采用情绪熵与情感熵的概念约束模型的初始值,从而使该模型适应不同的性格特征。