模糊相关性文本无关矢量量化说话人辨认研究

文本无关说话人识别的一个关键问题是寻求一种有效的说话人个性特征量.利用模糊向量内积理论,提出了一种新的物理量:连续特征矢量模糊相关度(CFVFC),以反映相邻特征矢量问的相关性,进而突出说话人的个性特征,并在此基础上研究了新的矢量量化(VQ)说话人识别方法.实验表明CFVFC是一种有效的识别信息,对于干净语音的说话人辨认,可以提高识别系统的识别率;在加噪声情况下,能增强识别系统的鲁棒性.     

基于加权特征补偿变换的说话人识别仿真研究

在噪声环境下,为提高说话人识别系统的鲁棒性,需要对系统进行各种抗噪声处理。从特征值处理和模型补偿两方面考虑,提出了基于高斯混合模型的加权特征补偿变换的抗噪声方法。一方面根据帧信噪比对特征值的贡献进行加权;另一方面根据说话人识别的声学特性对模型输出的似然得分进行补偿变换。实验结果表明,不管在平稳噪声还是非平稳噪声环境下,该方法都能取得较好的识别效果,并进一步增强系统的鲁棒性。这也说明加权特征补偿变换是降低噪声和干扰的影响、提高系统识别率和鲁棒性的有效方法。     

一种Agent体系结构A2FC研究

Agent体系结构研究是由理论研究向系统实现的关键一步。针对战术级联合作战的特点,提出了一种适合于多Agent协作的通用体系结构A2FC,并详细分析了各模块的功能。该体系结构将领域知识细分为信息域和认知域两大类:作战实体、装备、编制等方面的知识属于信息域,而理解、协作等方面的知识属于认知域。并将协作功能单独作为一个模块设计到体系结构中,从而为应用系统中多Agent协作的实现打下了基础。     

基于PLAR特征补偿的鲁棒性说话人识别仿真研究

针对MFCC特征补偿技术在低信噪比时性能不高的缺点,提出了基于PLAR鲁棒特征的模型补偿方法进行抗噪声说话人识别.PLAR特征从人类听觉感知机理出发,运用听觉心理学概念表征说话人个性特征,具有雏数低,运舅速度快,抗噪性能强等特点,是一种稳健的特征.模型补偿则通过分析被测语音帧的整体分布,对高斯混合模型似然概率进行某种程度的补偿,降低噪声的影响,改善系统的性能,进一步增强系统的鲁棒性.理论分析和实验结果表明,在平稳和非平稳背景噪声环境下,当信噪比大大降低时,此方法比MFCC-GMM方法的识别率平均提高了12.2和14.9个百分点.     

基于神经网络集成的说话人识别算法仿真研究

说话人识别研究中采用的语音信号特征同时包含了语义信息和话者信息,二者相互影响,给识别带来了很大的困难。为解决这个问题,我们将集成思想应用于说话人识别中,针对每个汉语单韵音的特征空间训练一个神经网络实现说话人分类,并使用另一个神经网络对多个单韵音神经网络识别器的识别结果进行结合。该方法可以有效地避免语义信息对说话人识别的干扰,提高识别精度。不仅如此,神经网络集成的识别结果还可以同时给出该帧语音所属的单韵音类型。仿真实验结果表明,集成系统的识别精度高于单一神经网络,并且在与多种算法的对比中也展示了良好的性能,更重要的是,该方法给出了一种从语音特征中分离语义信息和说话人信息的新思路。     

基于模糊核熵的短语音说话人识别

为了解决由于模糊加权指数选取不当而导致系统性能下降的问题,将熵函数引入到核映射的特征空间中,提出了一种基于模糊核熵的短语音说话人识别新方法.通过定义特征空间中的模糊核熵目标函数,设计了模糊核熵矢量量化器,在高维特征空间中对说话人的语音进行训练和识别匹配.引入熵的算法具有更加清晰简洁的数学形式和物理含义.为了进一步提高系统性能,利用模拟退火法对熵函数中的模糊熵度进行全局优化,提出了一种基于模拟退火的模糊熵度更新方法.实验表明,该方法对于较短的训练语音,其识别效果优于高斯混合模型和模糊核矢量量化.     

一种多分辨率仿真模型构建方法

针对人在回路仿真推演中高层级指挥员下达作战任务与仿真系统模型指令之间的分辨率鸿沟，提出了一种基于行为树的多分辨率模型构建方法。通过改进行为树语法，实现了低分辨率作战任务解聚为高分辨率仿真系统指令；通过设计嵌入行为树的决策模型，解决了模型指令执行过程中面临的资源不确定性、执行效果不确定性问题。设计了夺取制空权作战场景，验证该方法的有效性。     

基于柔性总线的嵌入系统虚拟平台研究及实现

针对嵌入系统设计过程中普遍存在系统级仿真支持不够、硬件描述手段缺乏、仿真系统可移植性差等问题,提出并实现了一种基于柔性总线的嵌入系统虚拟平台。通过引入柔性总线设计概念,实现嵌入系统底层架构的柔化,在此基础上建立软/硬件协同设计及仿真集成环境和实时并发仿真控制台。平台采用面向实现模型的仿真机制,可迁移应用于不同设计抽象层次。     

非线性系统故障诊断的Volterra模型方法

针对非线性系统的故障诊断问题,系统地总结了基于Volterra级数模型的故障诊断的理论与方法。由于Volterra级数模型可以完全描述非线性系统的传递特性,因而可将其应用于系统的故障诊断,即在系统工作过程中,通过分析故障发生前后Volterra模型中非线性因素的变化来判知系统的故障。在介绍了这一新的故障诊断理论的基本思想后,结合减震弹簧的疲劳诊断,总结了当前的两种主要研究方法,即基于非线性谱分析的故障诊断方法和基于多重预设Volterra模型的故障诊断方法。阐述了这两种方法的工作原理和实现方法,指出了今后在这一方向上需要进一步研究解决的问题。     

基于距离和相关性准则的混合参数说话人识别

传统的说话人识别方法在识别能力和稳定性上存在不足,对各种方法没有较好的评价标准。提出了基于平均距离和相关性的评价准则,在比较应用MEL滤波器组和小波包分解提取特征参数的基础上,提出了混合特征参数的提取方法。实验结果表明,距离和相关性准则可以较好的评价各种参数模式的分类能力,在无关的说话人识别中,混合参数在分类能力和抗噪性方面优于传统方法。     

基于数据挖掘的语音驱动三维人脸动画合成

提出采用数据挖掘的概念，利用神经网络，聚类以及统计学方法从大量语音视频库中发现语音与唇动以及人脸表情之间的关联模型，并应用于语音驱动人脸动画合成中，本文提出的方法不仅可很好地解决语音与人脸动画的同步，同时还具有易训练，鲁棒性强，可扩展等特性，实验表明，基于数据挖掘技术的合成模型非常有效，极大地提高了动画人物的真实感和可信度。     

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题, 提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异, 建立辐射源信号的数学模型; 其次, 对信号进行Hilbert-Huang变换得到Hilbert谱; 然后, 在预处理过程中, 从信号所有的Hilbert谱时频点对应的能量值中, 确定最具区分度的一组能量值, 并记录其对应的时频点; 最后, 对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值, 将其送入卷积神经网络进行训练与测试, 并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明, 对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法, 所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明, 所提算法训练样本为100时即可达到较好识别效果, 同时随着辐射源个数增多优势更加明显。复杂度分析表明, 所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。     

基于加权支持向量回归的在线训练算法及应用

针对时变系统的在线辨识问题,提出了一种加权支持向量回归方法,根据时间信息给予历史数据不同的加权,实现了精确在线训练算法,在保持精度的同时避免了采集到新样本时重复训练,大大加快了训练速度。研究了该算法的复杂度并加以改进。将该方法应用于氯气投加系统过程模型的在线辨识,在训练速度和精度上都较为满意,这一结果说明了该算法的有效性。     

移动通信网络中的IP电话语音质量的仿真方法

提出了宽带移动通信系统中的IP电话语音质量的仿真方法。整个仿真平台由无线链路仿真、系统级性能仿真和VoIP语音质量仿真三部分组成。文中重点介绍了平台中的VoIP语音质量仿真部分。仿真过程中的分组丢失采用Gilbert模型来模拟,话音的MOS分值用PESQ算法来计算。利用该平台对cdma20001x移动通信系统的IP电话语音质量进行了仿真,给出了分组丢失率、突发性连续分组丢失、用户数等与VoIP语音质量的关系。     

基于驱动控制的多变量离散灰色模型

针对多变量灰色模型存在驱动项作用机制不明确和模型精度不高的问题，通过引入矩形函数控制驱动项，构造一种新的多变量离散灰色模型，并探讨模型参数求解方法.从系统行为信息完备性角度，探索两种驱动控制项识别方法，并给出模型建模预测步骤；最后，采用构建的模型解 决我国无线通信用户预测问题，实例结果表明该模型不仅精度较高，而且模型含义更明确.     

OFDM系统中的一种有效频偏估计算法

通过设计一种特殊的训练序列,提出了一种新型的正交频分复用(OFDM)系统频偏估计算法。只需要一个训练序列,就可以有效地对整数倍与小数倍的频偏进行估计,并且还可以利用该特殊训练序列进行符号定时估计。仿真结果表明,与传统算法相比,提出的算法不仅减少了训练序列数目,而且提高了频偏估计精度。     

语音转换技术在电话语音识别中的应用研究

提出了一种用语音转换技术改善电话语音识别性能的方法。通过模拟真实电话信道条件下影响语音质量的各种因素，实现由纯净语音到电话语音的转换。识别试验利用模拟电话语音评估了HMM识别器做MLLR自适应前后的性能．实验数据显示，自适应前由转换语音训练的模型识别率比由纯净语音训练的模型识别率增加了18．9％，而自适应试验表明，由转换语音训练而成的模型在MLLR自适应后，系统识别性能进一步得到改善，识别率增加了5．8％。识别实验表明所提语音转换方法可以减小由于真实电话语料缺乏而造成训练语音和测试语音声学性质的不匹配，从而有效地改善电话语音识别系统的性能。     

Sequence-based protein-protein interaction prediction via support vector machine

This paper develops sequence-based methods for identifying novel protein-protein interactions (PPIs) by means of support vector machines (SVMs). The authors encode proteins ont only in the gene level but also in the amino acid level, and design a procedure to select negative training set for dealing with the training dataset imbalance problem, i.e., the number of interacting protein pairs is scarce relative to large scale non-interacting protein pairs. The proposed methods are validated on PPIs data of Plasmodium falciparum and Escherichia coli, and yields the predictive accuracy of 93.8% and 95.3%, respectively. The functional annotation analysis and database search indicate that our novel predictions are worthy of future experimental validation. The new methods will be useful supplementary tools for the future proteomics studies.