短语音说话人识别新方法的研究

提出了一种较短训练语音的说话人识别新方法。利用模糊核聚类算法设计矢量量化器,对说话人的语音特征进行训练。模糊核矢量量化器将原始空间通过非线性映射到高维特征空间,在高维特征空间中对说话人的训练语音特征进行模糊聚类分析,将得到的每个类中心作为说话人的语音模型。识别时将识别矢量映射到高维空间进行匹配决策。由于核方法的引入,使得原来没有显现的特征突现出来,增加了说话人之间的可区分性。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矢量量化。     

基于ADAMS/ATV的履带装甲车辆托带轮分布方案优选

履带装甲车辆的履带与托带轮的垂向冲击是产生冲击噪音和导致履带疲劳与断裂的重要因素。基于ADAMS软件中的ATV模块对某型履带装甲车辆建立了动力学模型，针对各托带轮所受履带的垂向冲击力大小不均匀的问题，综合动力学仿真分析，优选托带轮的分布方式，改善其动力学性能。     

基于分布式检测和时间相关神经网络的训练模拟器设计

某型导弹发射设备训练模拟器涉及大量输入输出信号的检测和控制,为了提高硬件系统和软件系统的工作效率,确保仿真过程的实时性,根据对输入信号分别按照空间和时间进行分组的思想,提出了基于分布式检测的硬件系统结构和基于时间相关神经网络的软件算法。这些方法已成功的应用于某型导弹发射设备训练模拟器的设计与研制,并取得了显著的效果。     

基于支持向量机的换档质量评价系统

车辆换档质量是自动档车辆最重要的性能之一,因此换档质量的评价一直是车辆性能研究的一个重点。以支持向量机理论为核心创建的换档质量评价系统,综合考虑了车辆换档的各种工况和影响因素,利用支持向量机良好的泛化能力,能够稳定的对换档质量进行动态综合的评价。     

一种基于最大保障时间的战时装备维修任务调度

针对目前装备优化保障研究中存在的约束条件过于简单,评价指标过于单一,不能突出我军装备维修任务调度的特点等问题,分析了战时维修任务调度的特点,建立了基于最大保障时间的维修任务静态调度模型,并给出了相应的模型求解方法。利用本方法在满足作战单元最大保障时间前提下,可使得装备维修效益最大。有效地解决了战时维修任务调度问题。     

一种新的支持向量机快速训练算法

针对大规模数据集的分类中支持向量机的训练,为解决选取样本集合边界向量时需事先判定样本集合是否线性可分的问题,提出一种基于密度法的支持向量预选取方法。该方法不需要事先判定训练样本是否线性可分,具有较强的抗击噪音点和孤立点干扰的能力,并且计算简单,易于实现。实验结果证明了这种方法是有效的。     

基于模糊支持向量机的小批量生产质量智能预测方法

在分析比较目前常用的智能工序预测技术及其特点的基础上,提出一种适合小批量生产过程的质量智能预测模型,并给出了相应的预测过程和算法.由于该模型中以模糊支持向量机(FLS-SVM)技术为智能核心,一方面较好的解决小样本学习问题,避免了人工神经网络等智能方法在对小批量生产过程质量进行预测时所表示出的过学习、泛化能力弱等缺点.另一方面,通过隶属度函数对样本进行模糊化,达到样本优化选择,实现历史数据“重近轻远”的预测效果.通过对具体加工过程的预测实验,并与其它几种常见预测方法效果进行对比,说明本文方法实现容易,建模速度快,小样本的泛化能力强,为实现小批量加工过程的在线质量预测与控制提供可行的思路.     

基于农民增收的我国农业国内支持的结构优化

基于“农业增效、农民增收、农村可持续发展”的目标，运用层次分析法，以农村经济可持续发展作为目标层，以增加农民收入、食物安全、提高农产品国际竞争力和生态环境保护为准则层，构建我国农业国内支持层次结构模型.结果显示，各种“绿箱”政策中作用程度所占权重较大的依次为咨询与推广服务、农业基础设施服务、培训服务、农业科研、投资援助提供的结构调整援助和病虫害防治，分别为0.1096、0.1071、0.1036、0.0787、0.0721和0.0709.各种“黄箱”政策中，价格支持，营销贷款，按产品种植面积给予的补贴，按牲畜数量给予的补贴，种子、肥料、灌溉等投入补贴及对贷款的补贴等政策措施的作用程度所占的权重分别为01817、00643、01495、03280、01379和01386.     

基于支持矢量机和循环累积量的调制识别算法

利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征矢量,采用支持矢量机将分类特征矢量映射到高维空间并构建最优分类超平面,实现对QAM调制信号的自动识别。该算法解决了样本在低维空间中的不可分问题,具有良好的泛化推广性能,并且可在多种调制信号环境下实现对感兴趣信号类型的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

最小二乘支持向量机分类器的高稀疏化及应用

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM。它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性。算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题。对多个分类问题的测试表明,HS-LSS-VM具有稀疏率高,分类性能强,且稀疏化速度较快等优点。