基于语音识别的朝鲜语语音检索方法

针对基于语音识别的语音检索方法对语言模型的强依赖问题,通过改进声学模型学习框架提出了一种新的朝鲜语语音检索方法.该方法首先修改KoSpeech框架的网络模型,通过训练得到了朝鲜语的声学模型; 其次通过语音文档分割方法构建了语音文档索引库; 最后利用编辑距离匹配的方法实现了语音检索.实验结果表明,改进的朝鲜语声学模型学习框架降低了语音检索方法对语言模型的依赖和大规模数据集的要求.当k取9时, top -k评价方法的检索均值平均精度达到86.74%, 召回率达到95.25%, 该结果表明本文提出的方法是有效的,具有一定的实际应用价值.     

基于CDHMM的语音识别程序行为检测方法的研究

为了减少语音识别中的检测误判,提高语音识别的正确率,提出了一种基于连续隐马尔可夫模型(CDHMM)语音识别程序行为检测改进方法,通过一种简化的、处理多维离散语音符号的程序行为检测方法,使得连续隐马尔可夫模型可以同时接收多种不同的特征序列,解决了语音认证系统识别率随时间推移而下降的问题。实验表明,减少了语音拒绝率,提高了语音识别系统的自适应性。     

基于属性相似度的恶意代码检测方法

针对未知恶意代码数量急剧增长,现有的检测方法不能有效检测的问题,提出一种基于属性相似度的恶意代码检测方法.该方法将样本文件转换成十六进制格式,提取样本文件的所有n-gram,计算每个n-gram的信息增益,并选择具有最大信息增益的N个n-gram作为特征属性,分别计算恶意代码和正常文件每一维属性的平均值,通过比较待测样本属性与恶意代码和正常文件两类别属性均值的相似度来判断待测样本类别.结果表明,该方法对未知恶意代码的检测性能优于基于n-gram的恶意代码检测方法.     

一种改进的基于短时能量的端点检测算法

为了提高语音识别的实时性和识别率,采用动态窗长短时能量进行语音信号的端点检测方法．比对传统短时能量短时平均过零率端点检测方法,通过实验得到的端点检测波形图像及数据证明,动态窗长短时能量方法可以减少不必要的语音帧的处理,提高识别的速度和识别率．     

一种改进的属性识别理论模型及应用

针对属性识别理论模型中置信度λ取值的主观性,提出了灰色接近度的概念,在每一类别的理想模式下,通过计算样品属性测度与理想模式属性测度之间灰色接近度的大小,判断样品所属类别.该方法简单易行,应用实例说明了其有效性.     

改进的K-RANSAC椭圆检测方法

水下目标的自主探测与识别对于水下智能机器人(autonomous underwater vehicles)来说具有非常重要的意义，这种能力的大小决定了机器人对水下空间环境的理解程度和作业的成功与否。提出一种改进的椭圆检测方法用于水下目标的自主探测和识别，充分利用了ZOM边缘检测算法的抗噪声能力强，并能够同时提供边缘点的位置和方向信息的优点。吸取了K—RANSAC提取曲线的思想，并充分利用三点确定椭圆方程参数的优势减少投票次数。通过对真实水下图像中椭圆提取实验的结果表明，该方法节省时间，并具有很好的鲁棒性，可以用于水下智能机器人的目标识别。     

基于深度属性学习的交通标志检测

为了弥补交通标志底层图像到高层语义之间的鸿沟,本文引入交通标志的形状、颜色、图案内容三种视觉属性,在卷积神经网络(Convolutional neural network,CNN)中加入属性学习(Attribute learning)约束,同时进行交通标志属性学习和分类学习,提出了一种基于深度属性学习的交通标志检测方法。并在公开数据集Sweden traffic sign detection dataset(STSD)和German traffic sign detection dataset(GTSD)上进行的实验结果表明,该方法能够有效地提高交通标志检测的准确率和召回率。     

基于支持向量机的语音检测

歌者识别是音乐检索中非常重要的一个方面，背景音乐会严重地影响歌者识别系统的性能。提出了一种新的语音检测算法。为了减少背景音乐的干扰，使用一个基于支持向量机的语音检测系统寻找最有可能的语音片段用于歌者识别，歌者识别算法使用了高斯混合模型。实验结果表明，提出的算法能够极大地提升歌者识别的性能。     

基于能量的汉语语音音节自动划分方法的研究

针对智能化计算机中汉语语音识别这一重要研究课题,利用小波分析方法,以神经网络为基础,提出了基于能量的汉语语音音节划分的自动实现的方法,这是实现汉语语音识别的基础和前提。     

基于改进特征值的语音分割算法研究

随着网络技术和媒体应用的迅速发展,传统的文本检索已不能满足需要,视频检索由于数据量大而得不到应用,语音检索就显示出重要的研究价值．一个语音序列由多种不同类型的语音片段构成,而每一种类型的语音往往又包含不同的意义,因此通过语音特征进行语音分段来实现语音检索是现代媒体数据进行检索的重要手段．通过对语音信号每一帧的基本特征值...     

面向海量数据的语音敏感信息检测系统

为了解决海量数据条件下敏感语音信息检测的问题,设计并实现了一个面向内容的语音检索系统。该系统采用先进的语音识别、语音搜索技术,可以快速、准确地在海量数据中搜索需要的敏感词汇。系统可以作为海量音频条件下信息监测、控制的重要辅助手段。实验证明,系统具有灵活的配制能力与较高的搜索性能。     

基于改进HOG LBP特征的行人检测

针对梯度方向直方图(histogram of oriented gradient, HOG)和局部二值模式(local binary pattern, LBP)特征维数高、冗余信息多、影响视频图像中行人检测速度的问题,提出一种基于改进HOGLBP特征的行人检测方法。通过对原有HOG特征进行统计平均,结合单独最优特征组合和巴氏距离(Bhattacharyya)可分性判据选出最优特征,并与LBP特征融合得到改进的HOGLBP特征,然后利用支持向量机(support vector machine, SVM)对样本特征进行训练获得分类器,最后对测试样本进行分类。实验结果表明,该方法使得行人检测的准确率和实时性都有一定的提高,并用自行拍摄的视频验证了该方法的有效性。     

基于动态阈值的MVN连续语音特征调整算法

针对非特定人大词汇量连续语音识别,在均值方差归一化的基础上,提出了基于动态阈值的特征调整方法。动态阈值的选取方式包含阈值的动态范围确定和确定阈值的系数。动态阈值范围的确定依据如下两个数值,一个是样本特征点的均值,另一个是使得样本特征点等分的数值。然后再根据对特征点在样本特征点均值上下的比例关系得到系数,最后根据这个系数来确定一个具体的阈值,并基于此阈值对连续语音特征曲线进行调整。     

多尺度特征提取和多级别特征融合的显著性目标检测方法

显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域.目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递.而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊.因此,本文提出一种多尺度特征提取和多级别特征融合的...     

基于特征点检测的重叠图像拼接算法

为提高铁道车辆工程应用中自动监测与故障诊断的准确性,对5种常用的特征点检测方法进行了对比研究,采用SIFT（Scale-Invariant Feature Transform）特征点检测实现重叠图像的拼接算法。在较宽松的条件下准确地匹配两幅图像。实验证明,该算法能有效地拼接普通相机拍摄的照片,消除图像扭曲、交叠和旋转对图像拼接的影响,并获得高分辨率的场景照片。     

基于特征融合的深度学习目标检测算法研究

通过研究卷积神经网络中的特征层级,发现高层特征图的分辨率低、语义信息强,低层特征图的分辨率强、语义信息较弱等问题.针对上述问题提出一种二次特征融合的目标检测算法,该算法在特征金字塔网络(Feature Pyramid Networks,FPN)的基础上对过渡特征重复使用并进行二次特征融合,使丰富的低层特征信息补充到高层...     

基于邻域关系的网络入侵检测特征选择

入侵检测数据集具有数据量大、特征敷众多、连续型数据的特点.粗糙集是一种有效处理不确定性、不一致性、海量数据的有效分类工具,其特点是保持入侵检测数据集的分类能力不变,进行特征选择.为了避免传统粗糙集特征选择方法所必需的离散化过程带来的信息损失,引入邻域粗糙集模型,提出基于邻域关系的网络入侵检测数据特征选择方法.该方法从所有特征出发,根据特征重要度逐步删除冗余的特征,最后得到关键特征组进行分类研究.在CUP99入侵检测数据集上进行特征选择,并进行了分类实验,实验结果表明该方法是有效可行的.     

基于差分响应图的无监督特征点检测网络

为了突破基于人工设计的特征点检测器的性能限制,提出了一种新的数据驱动的基于差分特征响应图的无监督特征点检测网络。该网络使用不同尺度的卷积核计算差分输出,利用差分响应图的绝对值大小筛选出大量特征点,并评判这些特征点重要性程度。同时采用旋转、光照、模糊等多种图像变换训练检测器,获得相应特征不变性,使得该网络更适用于小规模数据集训练。通过在3个常用数据集上进行实验,并与现有经典算法进行定性与定量的对比分析,结果表明,基于差分响应图的无监督特征点检测网络能较好地完成特征点检测任务,所需训练时间更短、边缘定位更准确、数据集规模依赖性更低,优化特征点检测性能。     

基于ELF静态结构特征的恶意软件检测方法

Linux平台的恶意软件检测方法目前研究较少,主要的分析手段和检测技术依然有很大的局限性。提出了一种基于ELF文件静态结构特征的恶意软件检测方法。通过对Linux平台ELF文件静态结构属性深入分析,提取在恶意软件和正常软件间具有很好区分度的属性,通过特征选择方法约减提取的特征,然后使用数据挖掘分类算法进行学习,使得能正确识别恶意软件和正常文件。实验结果显示,所使用分类算法能够以99.7%的准确率检测已知和未知的恶意软件,且检测时间较短,占用系统资源较少,可实际部署于反病毒软件中使用。     

改进的基于形态学梯度法的车辆图像边缘检测方法

在分析和比较用于图像边缘检测的多尺度多方位的形态学梯度算法和多级形态学运算合成法的基础上,提出了一种改进的基于形态学梯度法的汽车图像边缘检测方法.经过实验检验,并与其它形态学边缘检测方法进行了比较,证明该方法对汽车图像边缘检测具有较好效果.