一种采用振荡神经网络的CASA计算模型语音分离算法

基于听觉现象分析（CASA）模型的基本原理,在仅有单通道输入混合语音信号时,采用振荡器神经网络,提出了一种CASA改进模型语音分离算法结构,文中利用一个实例说明了新算法的具体实现步骤,讨论了新算法机构中语音听觉外围处理部分和分割神经网络处理部分,通过上述两个部分的处理可以将输入混合语音信号在时频域上分割为若干有听觉感知意义的语音听觉感知成分分段Segments,以便于新算法后续处理分部中语音Segments的聚为和分离重构输出处理,最终完成语音分离任务。     

语音识别中结合进化计算的MMI训练方法

将最大互信息(MMI)和进化计算(EC)相结合,引入到HMM的训练中去.各个模型用个体来表示,个体的适应值采用模型的最大互信息.这样借助于演化计算的全局搜索及种群的特点,得到了基于最大互信息估计的HMM模型的更优解.实验结果表明,用该方法训练所得的系统识别率高于传统的基于梯度的最大互信息估计方法训练所得的系统.     

一种基于最大互信息/进化计算混合结构的语音识别方法

传统的最大互信息训练中一般采用梯度方法，这就使得所得模型往往只是一个局部最优模型。文中将最大互信息（MMI）和演化计算（EC）相结合，引入到隐马尔柯夫模型(HMM）的训练中去。各模型集用个体表示，个体的适应值采用模型的最大互信息。这样借助于进化计算的全局搜索及种群的特点，得到了基于最大互信息估计的HMM模型的更优解。实验结果表明，用该方法训练所得的系统识别率高于传统的基于梯度的最大互信息估计方法训练所得的系统。     

基于最大互信息的离散隐马尔柯夫模型训练方法

在基于隐马尔柯夫模型（HMM）的语音识别系统中,模型训练最常用的算法是Baum-Welch算法,该算法具有快速收敛及保证每步迭代模型的似然概率单调增的优点,但它基于最大似然训练准则,而该准则不能将各个模型很好地分析,这直接导致了识别时的错误,鉴于最大互信息可以克服这一缺点,提出了一种基于最大互信息的训练方法,该方法借助于梯度,调整参数以使模型与训练数据的互信息最大,实验结果表明,使用该方法使系统的识别性能得到了一定的改善。     

一种基于梯度的HMM参数重估方法

对于隐Markov模型（HMM），经典的参数重估方法是Eaum-Welch算法，该算法基于最大似然准则，具有快速收敛和保证似然度单调增的优点，但是对于其他的训练准则，则不存在这样的算法，由于目标函数的复杂性，在考虑采用梯度方法时，必须先解决如何求取梯度的问题，为此，提出一种求取梯度的实现方法，结果表明，使用该方法所取得的模型与用Baum-Welch算法所得的模型性能相当，而前者适用于基于各种准则的训练方法。     

说话人辨认中基于进化策略的最大互信息训练方法

针对最大似然训练分辨能力的不足，把最大互信息训练方法引入到高斯混合模型（GMM）的训练中，并直接采用进化策略实现模型参数的全局训练，以模型与训练数据之间的互信息作为进化过程中个体的适应度。该系统不仅分辨能力强，而且摆脱了局部搜索的缺陷。实验结果表明，这种方法生成的说话人辨认系统的识别性能要优于传统的期望最大化算法（EM）生成的系统。