语音识别中的BP神经网络改进

语音信号是受说话人、环境等因素影响的复杂函数,人工神经网络（ANN）模型进行语音识别具有自适应、自组织及联想等特征,适合用于语音识别。主要研究了传统BP神经网络在实际语音识别中的改进方案。利用改进后的方案实现语音识别、网络结构简化、运算速度加快、训练时间缩短。     

神经网络语音识别新特征

根据声道模型与ＡＲ模型的对应关系,提出一种可用于神经网络语音识别的新特征———语音信号的全局时频特征,从整体上描述ＬＰＣ倒谱系数的变化规律．其特点是：（１）特征长度固定,为传统的静态神经网络应用于语音识别创造了良好条件;（２）与其他语音识别系统所用的神经网络相比,新特征极大地降低了神经网络的规模及训练时间;（３）基于新特征的系统的识别性能明显优于传统的ＨＭＭ方法及ＧＭＤＳ算法．     

基于量子逻辑线路神经网络的说话人识别方法

 由于说话人的语音信号具有时变性、随机性,其特征参数也呈现出高维及相邻帧变化较大等特点。从量子信息处理理论出发,将一帧语音信号视为一个量子态,在传统神经网络的基础上,利用量子逻辑线路构造神经网络,实现说话人语音信号的有效聚类,探索一种基于量子逻辑线路神经网络的说话人识别模型与方法。利用模型固有的大量全局吸引子,可有效降低语音信号处理的时间及复杂度。通过在经典计算机上模拟仿真,并与BP神经网络说话人识别模型进行对比,表明该方法能够加快说话人识别模型的收敛速率,对参数变化具有更好的鲁棒性,且其系统识别率比BP神经网络方法平均提高了3.34%。     

基于混沌神经网络的语音识别方法

基于语音信号的时变特性,研究了神经网络语音识别的方法．把混沌特性引入到神经元,构造了一种新的多层混沌神经网络结构,同时推导了相应的学习算法．把这种混沌神经网络用于语音识别,并与常用的神经网络语音识别方法作了比较．实验结果表明,混沌神经网络方法的平均识别率要高于同等条件下常用神经网络方法的识别率．     

基于EMD算法与神经网络的声纹检测识别系统

随着科学技术的发展,声纹识别系统应用广泛。介绍了一种新颖的语音信号识别方法,即使用emd分解语音信号,提取语音信号的时域与频域特征,将获得的信号特征输入神经网络,通过神经网络进行语音信号的识别。     

基于混沌脉冲耦合神经网络系统的信号跟踪

根据脉冲耦合神经网络能产生混沌现象,研究了对混沌PCNN系统配置控制序列来达到对参考信号追踪的方法。基于离散线性系统的稳定性理论,根据参考信号情况,配置不同参数,设计不同的控制序列来改变混沌系统,达到信号跟踪的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统对参考信号的追踪。     

LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

一种基于PCNN的参数自适应图像分割方法

针对在基于脉冲耦合神经网络（PCNN）模型的图像分割中,如何确定合适的网络参数的问题,提出一种基于PCNN的参数自适应图像分割方法。该方法通过设定神经元合适的捕获范围和连接值,综合利用图像像素邻域的灰度信息,结合PCNN网络参数间的相互联系,实现对模型参数自动确定。仿真实验表明,该方法可有效地对不同图像进行自适应分割。与传统的PCNN图像分割方法相比具有一定的优越性。     

基于DWT变换的语音端点检测

根据语音特性,提出一种基于离散子波变换（DWT）的语音端点检测方法．该方法利用（数字）语音信号的多尺度能量分布特性和不同分辨率下重构语音信号的相关特性来刻画（数字）语音信号,从而在噪声中检测出语音信号的端点．仿真试验结果表明：基于DWT变换的端点检测法与常用的端点检测方法相比,具有更好的抗噪性和识别稳定性．     

神经网络在汉语语音识别中的应用

论述了基于神经网络模型的特定人汉语语音识别,并建立了一基于３层ＢＰ神经网络的汉语语音识别系统,对汉语１０个数字（１￣１０）进行识别实验,获得了较满意的识别结果。     

脉冲耦合神经网络在指纹图像分割中的应用

脉冲耦合神经网络（PCNN）是20世纪90年代形成和发展的一种新型神经网络。研究发现，可用PCNN的脉冲传播特性有效地解决图像处理中的不同问题。在此阐述了PCNN的原理，并提出一种基于PCNN的指纹图像分割算法，该算法有很强的适应性和抗噪性．     

基于直方图的脉冲耦合神经网络(PCNN)多门限图像分割方法

参考了Eckhom等人近几年提出的脉冲耦合神经网络(Pulse Coupled Neuml Network)模型，结合灰度直方图分割技术，提出了一种新的多门限图像分割方法-基于直方图的脉冲耦合神经网络(PCNN)，PCNN模型具有弥补时隙和空隙的特点，因此应用这一网络模型进行图像分割，可以得到较完整的区域边角信息，从而达到理想的分割效果．经实验证明，本文提出的方法较原来的PCNN网络，运算速度和分割效果都有了很大提高。     

基于Gamma tone滤波和PCNN的说话人识别

为了更好地提取说话人的特征,对语音进行滤波的预处理。Gamma tone滤波器可以很好模拟基底膜滤波器的形状,因此本文采用作为标准耳蜗听觉滤波器的Gamma tone滤波器对语谱图进行滤波,再通过脉冲耦合神经网络来提取说话人特征进行分析。仿真结果表明,由该方法得到的说话人的熵序列与自身熵序列的欧氏距离较未经过Gamma tone滤波的小,提高了识别率。     

Pulse Coupled Neural Network Edge-Based Algorithm for Image Text Locating

This paper presents a method for locating text based on a simplified pulse coupled neural network (PCNN).The PCNN generates a firings map in a similar way to the human visual system with non-linear image processing.The PCNN is used to segment the original image into different planes and edges detected using both the PCNN firings map and a phase congruency detector.The different edges are integrated using an automatically adjusted weighting coefficient.Both the simplified PCNN and the phase congruency energy...     

利用脉冲耦合神经网络实现数学形态学的基本运算及其应用

脉冲耦合神经网络（PCNN）是最近几十年来研究的热点,尤其是其在图像处理的各个领域的应用。本文以实例说明了PCNN进行图像处理时用到的脉冲并行传播特性可以实现数学形态学的基本运算这一命题,在前人得出的结论的基础上进行实验验证和推广,并将其应用于图像边缘检测,进一步加强了PCNN与数学形态学的联系。     

基于二维Tsallis熵的改进PCNN图像分割

为了改善图像分割的性能,采用改进的脉冲耦合神经网络(PCNN)进行分割,通过对其内部活动项进行空不变的单阈值化分割,来达到对原图像空变阈值化分割效果.另外分割准则也作了修正,通过计算图像二维直方图的Tsallis熵,得到二维Tsallis熵,以此作为图像分割准则.最后,修正了动态门限项的下降速度,使得PCNN收敛更快.实验证明二维Tsallis熵准则优于最大Shannon熵准则与最小交叉熵准则,且改进的PCNN模型比传统PCNN模型收敛更快.     

改进基于小波变换的PCNN图像融合算法

以小波变换为基础,针对小波分解后高频域和低频域的特点,分别在低频域采用基于PCNN（脉冲耦合神经网络）的融合方法,在高频域采用改进的PCNN融合算法．仿真图像和评价指标结果显示：改进的PCNN融合算法,有效地提高了图像在边缘、纹理、保留更多源图像信息等方面的综合性能。     

一种基于脉冲耦合神经网络的运动目标提取方法

运动目标提取是视频分析和理解的基础,在视频监控应用中具有重要的意义.本文在帧间差分法运动检测的基础上,研究了运动目标的提取方法.针对现有方法存在的对帧间差结果噪声敏感和低效的问题,引入了一种脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)方法.通过一种特别的映射方法,该PCNN网络模型能有效地抑制噪声,并能高效地提取运动目标.实验结果证明,该PCNN方法比现有一些方法具有更高的精度和更快的速度.     

基于改进型脉冲耦合神经网络的混沌相态分类方法

混沌相态分类是利用混沌系统检测微弱信号的关键步骤.提出一种基于改进型脉冲耦合神经网络的混沌相态分类方法.利用该网络模拟哺乳动物视觉皮层神经细胞活动的特点,提取混沌系统输出相态图的结构特征,并应用均值残差算法进行特征信息降维,进而实现对系统混沌态与周期态的实时判别.以Lyapunov特性指数方法作为评价准则,分别使用正弦...