基于直觉模糊可能性测度的三支决策模型的研究

在直觉模糊集和可能性测度理论基础上,用可信度,对三支决策模型进行了研究.首先运用直觉模糊集和可能性理论,定义了直觉模糊可能性测度和直觉模糊可信度,讨论它们的性质.在直觉模糊可能性空间中,建立了基于直觉模糊可能性测度的三支决策模型,给出了该模型的划分规则.然后,定义了直觉模糊信息表的三支决策模型,给出了求信息表对象的综合直觉模糊属性特征值方法.最后,对该模型下的误判进行分析,给出了一种基于直觉模糊可能性测度和可信度的决策风险计算方法,并进行了实例演算.通过实例,给出具体计算步骤:综合分析了对象在不同属性特征下的隶属度和非隶属度,计算其直觉模糊可能性测度;运用可信度,计算出边界阈值和综合直觉模糊属性特征值;讨论了该模型的有效性.     

基于音素后验概率的样例语音关键词检测方法

低资源条件下的语音关键词检测是一个具有挑战性的问题,因为传统的基于大词汇量连续语音识别(LVCSR)的语音关键词检测方法不再适用.针对此问题提出了一种基于深度神经网络(DNN)输出层后验概率特征和改进的动态时间规整(DTW)算法的语音关键词检测方法.采用无监督高斯混合模型(GMM)和中、英文DNN音素模型得出的输入特征构建互补的子系统,并在SWS2013多语种数据集上进行实验.结果表明:相对于基线系统,分数层面的多语种、多系统融合能够有效地提升语音关键词检测系统的性能.     

基于EGARCH-VaR的半参数法及实证研究

在综合考虑了金融收益数据分布的尖峰厚尾特征及其波动集群性,尤其是其波动的“杠杆效应”对VaR估计的影响以及各种假定收益率分布在计算风险价值时存在不足的基础上,提出了基于EGARCH-VaR的半参数方法,并且与正态分布和t分布假设下的GARCH模型的VaR计量方法进行比较,通过实证分析,并利用后验测试,表明基于EGARCH-VaR的半参数方法对风险价值的测度优于正态分布和t分布假设下GARCH模型的VaR计量方法.     

一种基于最大后验概率与图像局部统计量的磁共振图像去噪模型

提出一种基于最大后验概率与图像局部统计量的磁共振图像去噪模型. 该模型针对射频场所引起的磁共振图像灰度值不均匀问题, 将在Rician噪声模型下的最大后验估计与全变差正则化模型相结合, 在模型中引入了瞬时变化系数. 根据Euler-Lagrange方程, 给出了模型的解及方程解的离散形式. 数值实验验证了所提算法的有效性.     

无信息先验下平稳AR(1)模型的贝叶斯推断

研究AR(1)时间序列模型在平稳条件下的贝叶斯推断理论,构造了模型自回归系数和尺度参数的无信息先验分布,推导得到了其后验分布、后验均值、众数、中位数、分位数和最大后验区间估计,最后对几组仿真数据进行了贝叶斯分析.     

马尔可夫调制的双分数布朗运动模型下亚式期权定价

针对一种新的增量随机过程——马尔可夫调制的双分数布朗运动,基于可靠性数学思想,利用测度变换技巧将实际概率测度变换成等价鞅测度,研究了在此模型下连续时间的固定价格亚式期权定价问题;通过亚式期权所满足的概率密度转移函数,将经典的测度变换方法与拟鞅相结合,并推广到受双分数布朗运动驱动的B-S市场环境中,利用风险中性定价方法分别得到具有固定执行价格的几何平均亚式看涨和看跌期权的定价公式;双分数布朗运动不具有独立性和平稳增量性,更符合显示情形,且与基于分数布朗运动的期权定价公式进行比较分析,可知分数布朗运动只是双分数布朗运动的一种特殊情形,可基于双分数布朗运动对分数布朗运动的亚式期权期权定价模型进行推广。     

鉴别性最大后验概率线性回归说话人自适应研究

为增强自适应后的声学模型的鉴别能力,提出了一种基于最大互信息(MMI)的鉴别性最大后验概率线性回归(MMI-DMAPLR)说话人自适应方法. 将最大互信息准则和最大后验概率(MAP)准则相结合,设计了一个新的目标函数来估计基于线性变换的自适应方法中的变换参数,在最大后验概率估计中加入了鉴别性. 大词汇量连续语音识别的实验结果表明,新方法在增强声学模型与测试数据的匹配性的同时,可以有效提高声学模型的鉴别能力,在少量自适应数据的情况下,其性能比最大后验概率线性回归(MAPLR)相对提高4.8%.      

求解Frenkel-Kontorova模型自适应问题的混合力平衡型原子/连续耦合方法

本文利用混合力平衡型原子/连续耦合方法求解Frenkel-Kontorova模型并考虑模型的自适应问题,给出了基于残量的后验误差估计子.基于这个估计子,本文建立了自适应算法对原子系统进行自适应区域的分解,确定了原子区域和连续区域的划分.数值实验验证了后验误差估计子和算法的可行性.     

基于联合检测与估计的闭环系统设计及应用

提出先验概率更新规则,改进已有的基于联合检测与估计的闭环技术,根据估计器信息同步更新先验概率和先验分布,将先验信息反馈给检测器以辅助其作出判决,从而形成检测与估计的闭环结构.将本方法应用于窄带信号检测与波达方向(DOA)估计.通过理论推导与数值分析发现新的闭环系统收敛速度更快、最大后验概率(MAP)准则下判决可信度更高,且在起始先验概率不利的情况下,闭环系统具备判决纠错能力.     

基于异常值检验的Bayesian方法验前信息可信度计算

由于采用了验前信息,Bayesian方法为小子样条件下的装备试验与评价提供了可行的理论依据,从而在装备试验与评价领域得到了广泛的应用。然而,由于验前信息具有多源性及主观性,当采用其进行Bayesian统计推断时,可能会导致Bayesian统计推断的结果偏差较大,使得决策风险增加。因此,研究Bayesian方法中验前信息的可信度显得至关重要。在现场试验样本信息已知的前提下,给出了验前信息可信度的定义,提出一种基于异常值检验的验前信息可信度计算方法,并基于Matlab数学软件,通过仿真思路实现了算法求解。最后,以某雷达探测距离试验为例,证明方法具有科学合理性。     

用于统计语音合成的大尺度压缩HMM的方法

统计语音合成使用隐Markov模型(HMM)作为声学特征的统计模型。提出了一种利用声学模型空间距离进行HMM的大尺度压缩的量化方法,通过对矢量量化码本进行的优选迭代步骤,减小压缩后的声道谱模型与原模型之间的声学距离,使通过量化模型合成的语音更加接近未量化模型。主观和客观测试结果显示:使用该方法进行声道谱模型的压缩,在压缩至原模型大小的0.06左右时,仍有约90%的评价得分认为合成语音的质量没有明显下降。     

RASTA滤波在语音通信质量客观评价中应用的研究

介绍了在语音通信质量客观评价中使用RASTA（Relative Spectra）滤波的研究结果。通过分别将RASTA滤波与感知线性预测（PLP,Perceptually Linear Prediction)方法和美倒谱（MFCC,Mel Frequency Cepstral Coefficient)方法相结合对通过短波或超短波信道的男女生文件进行拟合研究,均取得了比较好的效果。与PLP方法结合关系数提高了12％,与MFCC方法结合相关系数提高了4％。说明RASTA滤波对信道噪声的低频成分中人耳听不到的部分进行过滤的方法在语音通信质量客观评价中是有效的。     

基于HMM的中英文语音合成技术研究

在SYN6658的中文TTS基础上,结合改进的英文合成技术,经过分析比较中文TTS和英文TTS的特性之后,提出了一种构建简单快速、占用空间小的中英文语音合成系统的方法。构建的系统能够实时快速地合成出中英文语音,系统简单、易实现且合成效果较好,是中英文语音合成产品的较好选择。     

一种噪声环境下的语音识别方法(线性预测误差法)的研究

介绍一种平稳噪声环境下语音识别的新的方法。该方法利用噪声的LPC系数去预测语音信号,从而得到LPC预测序列,然后把它代替原语音序列来进行语音端点的检测、语音特征的提取和在合适的匹配方式下的识别。实验结果表明：该法在噪声环境下自动检测语音端点和提取语音信号的特征是可行的,获得了很满意的识别率。     

汉语语音合成的研究进展

为解决如何让机器像人那样说话的问题,综述了近年来汉语语音合成技术的进步和发展;描述了汉语语音合成系统的设计方法;对基于汉语语音特点的语音合成过程中的一些关键技术和原理进行了详细的分析和比较;阐述了语音合成在多媒体等方面上的应用以及目前评价语音合成系统性能的一些新方法,并对当前语音合成技术的研究热点和语音合成技术存在的问题进行了分析,为语音合成技术的进一步研究提供了借鉴作用。     

基于离散隐马尔科夫模型的语音识别技术

概述语音识别技术的基本原理,对当前三种主要识别技术--动态时间规整技术、隐含马尔科夫模型技术及人工神经网络技术进行比较,重点介绍基于离散隐马尔科夫模型(DHMM)的语音识别系统的实现.     

基于韵律信息的语种辨识系统

提出利用超声层次上的韵律信息来进行语种辨识.在子词分割的基础上结合元音/辅音检测模型,将语音分割为CⁿV的假音节模型,然后对每个假音节提取一个五维的特征韵律参数.分割结果比传统的分割方法更接近实际的音节结构.在韵律系统中,对所有的语言建立高斯混合模型(GMM),研究模型的离散度和模型间的干扰程度.实验表明,韵律模型对不同的语言、不同的语系和同一语系中不同语言均具有一定的区分效果.     

自回归语音信号模型参数的韧性估计算法及在共振峰检测中的应用

使用牛顿算法的韧性（Ｒｏｂｕｓｔ）Ｍ估计方法来估计自回归（ＡＲ）语音信号模型的线性预测参数，该方法考虑了语音信号模型浊音激励源的非高斯特性，能有效地抑制异常值（ｏｕｔｌｉｅｒ）的影响。使用所提出的韧性线预测算法来检测共振峰，获得了比使用常规线性预测方法更准确的结果     

Stream Weight Training Based on MCE for Audio-Visual LVCSR

In this paper we address the problem of audio-visual speech recognition in the framework of the multi-stream hidden Markov model. Stream weight training based on minimum classification error criterion isdiscussed for use in large vocabulary continuous speech recognition (LVCSR). We present the lattice rescoring and Viterbi approaches for calculating the loss function of continuous speech. The experimental results show that in the case of clean audio, the system performance can be improved by 36.1% in relative word error rate reduction when using state-based stream weights trained by a Viterbi approach, compared to an audio only speech recognition system. Further experimental results demonstrate that our audio-visual LVCSR system provides significant enhancement of robustness in noisy environments.     

基于AMR编码参数的语音识别

基于语音编码系统的语音识别，由于受编码的影响其识别效果在编码速率下降时显著降低。传统的识别方法从重构语音波形中提取特征参数，并针对该特征参数进行训练和识别。比较了基于编码语音的识别准确率和基于编码参数的识别准确率，并研究了编码参数对识别准确率的影响。在此基础上，通过选择受编码影响较小的编码参数，直接将LPC参数和残差信号参数组合起来构成特征参数进行语音识别。实验结果表明，采用这种方法的AMR语音识别系统，其识别效果接近于基于原始语音的识别效果。