排序方式: 共有4条查询结果,搜索用时 78 毫秒
1
1.
2.
舌头是人类重要的发音器官,对发音时其形状的降维分析能有效协助语言学家分析人类的发音模式。主成分分析(Principal Component Analysis, PCA)是目前最常用的舌位轮廓降维分析方法。近年来,基于深度学习的自动编码器在降维方面被证明优于PCA。然而,舌头隐藏于口腔内部,难以获得大量的相关数据,这使得传统自动编码器无法直接用于舌位轮廓建模研究。为此,本文提出一种面向小样本舌位运动轮廓数据的双阶段自动编码器降维方法。首先该方法采用主动形状模型(Active Shape Model, ASM)产生大量舌头轮廓生理变形数据,并构建通用轮廓重建模型;接着,在第一阶段模型上添加降维层,用于对舌位轮廓数据进行压缩和分析。实验选取了从人类发音X光片中获得的240个元音舌形数据,并将该方法与传统PCA方法进行比较。结果表明,所提出方法获得的元音舌位图谱在二维平面上相对于传统PCA方法,区分度更好,具有更好的舌形降维和重建能力。 相似文献
3.
4.
人体的呼吸信号包含了很多指示呼吸健康的信息,虽然有多种测量呼吸的仪器和手段,但是呼吸腰带仍然是经济、没有辐射伤害、能长时程日常佩戴的呼吸数据获取手段。然而,目前呼吸腰带数据的分析方法还不成熟,为了明确哪些呼吸数据特征可以对病理进行有效分类,本研究分别使用长短期记忆网络(Long Short-Term Memory,LSTM)、吸呼比结合LSTM、吸呼比结合支持向量机(Support Vector Machine,SVM)3种方法,对287个正常呼吸和55个异常呼吸的24 h观测数据进行病理类别分类准确度对比实验。结果表明,吸呼比特征结合LSTM法具有更高的分类准确度。 相似文献
1