英语朗读发音质量自适应评测模型设计研究

基于标准美音声学模型对英语朗读发音进行评测,准确性相对较低,因此本文设计了英语朗读发音质量自适应评测模型,并以实验分析测试了自适应评测模型.结果表明,系统可准确测评朗读发音质量,从而切实反应朗读者英语口语水平;模型在评测朗读者英语发音时适应性与标准性较高,基于发音准确性、流利性、完整性,可全面衡量朗读发音质量;智能校对系统基于灭错计算进行发音识别评测与校对,可提升语音识别能力,提高评测准确性,以根本上避免评测混乱;利用支持向量回实现特征融合,接近评分特征与人工评分的非线性关系,可保障发音质量评测准确性与可靠性.     

基于韵律信息的连续语流调型评测研究

汉语连续语流中的调型评测是汉语语音评测的一个重要环节,利用连续语流中韵律耦合效应和韵律结构紧密相关这一特性,以韵律词为基本建模单元,建立基于多空间概率分布的HMM调型模型(MSD-HMM),使得汉语普通话水平评测系统针对标准连续语流的调型识别率从82.0% 提升至84.6%;针对有方言背景的非标准发音,机器评分与专家评分的相关度绝对提升超过3.0%。     

基于SVM的指纹图像质量评测方法

提出一种新的基于SVM的指纹图像质量评测方法,将支持向量机(SVM)引入到指纹图像质量评测中来,并提取了11个参数来有效地评测指纹图像的质量,避免传统指纹图像质量评测方法中使用经验阈值来评测单个指标质量所带来的人为偏差。借鉴机器学习的思想,提出采用SVM分类器对指纹质量进行学习和分类,实验表明这种方法是有效的。     

采用韵律特征的说话人确认系统

在文本无关的说话人识别中,韵律特征由于其对信道环境噪声不敏感等特性而被应用于话者识别任务中.本文对韵律参数采用基于高斯混合模型超向量的支持向量机建模方法,并将类内协方差特征映射方法应用于模型超向量上,单系统的性能比传统方法的混合高斯-通用背景模型(Gaussian mixture model-universal background model,GMM-UBM)基线系统有了40.19%的提升.该方法与本文的基于声学倒谱参数的确认系统融合后,能使整体系统的识别性能有9.25%的提升.在NIST(National institute of standards and technology mixture)2006说话人测试数据库上,融合后的系统能够取得4.9%的等错误率.     

语音识别确认中的置信特征和判定算法

提出了一种基于支持向量机的联合多种置信特征进行语音识别确认的判定方法.从待确认语音中提取出分段的后验概率和线性预测编码识别结果置信特征,其中后验概率根据垃圾模型近似计算得到;设计支持向量机分类器联合多种置信特征给出最终确认结果.实验结果表明,所提出的置信特征和支持向量机分类器取得了很好的确认效果.     

基于遗传算法的加权支持向量机的短期电力负荷预测

建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的支持向量机（SVM）在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于电力负荷预测可以获得很好的效果,但是传统SVM回归预测算法对于不同的样本均采用相同的参数,无法体现各样本的重要程度的区别,而且将支持向量机理论应用于实际中也存在对样本数据进行特征选择和对支持向量机模型参数进行选择的问题。因此提出了将遗传算法应用于短期的电力负荷预测中来对加权支持向量机模型进行特征选择和模型参数确定。     

指纹图像质量自动评测方法研究

要准确地从指纹图像中提取细节点,在很大程度上依赖于所采集的指纹图像的质量。为了提高指纹识别系统的性能,必须对输入到系统的指纹图像进行质量的自动评测。提出一种新的方法,先从指纹图像提取5个评测参数,组成质量评测向量,再采用小样本情况下具有分类优势的支持向量机（SVM）对指纹图像进行分类,将指纹图像分为好、中、差三类。实验表明,提出的方法能有效地进行指纹图像质量自动评测。     

基于韵律特征辅助的端到端语音识别方法

针对传统的语音识别系统采用数据驱动并利用语言模型来决策最优的解码路径,导致在部分场景下的解码结果存在明显的音对字错的问题,提出一种基于韵律特征辅助的端到端语音识别方法,利用语音中的韵律信息辅助增强正确汉字组合在语言模型中的概率。在基于注意力机制的编码-解码语音识别框架的基础上,首先利用注意力机制的系数分布提取发音间隔、发音能量等韵律特征;然后将韵律特征与解码端结合,从而显著提升了发音相同或相近、语义歧义情况下的语音识别准确率。实验结果表明,该方法在1 000 h及10 000 h级别的语音识别任务上分别较端到端语音识别基线方法在准确率上相对提升了5.2%和5.0%,进一步改善了语音识别结果的可懂度。     

藏文词向量相似度和相关性评测集构建

词向量评测是词向量研究的基础,包括内部评测(intrinsic evaluation)和外部评测(extrinsic evaluations)。外部评测是将得到的词向量应用到具体某个任务中进行评测,是词向量研究的目标。内部评测是通过建立词之间的语义相似度或相关性能力的评测集,评价词向量模型的性能,是一种常用的词向量评测方式。该文通过分析英文、汉文词向量评测集构建方法,结合藏文的特点,研究藏文词向量评测集构建方法,构建了用于评价藏文词向量相似度和相关性的评测集TWordSim215和TWordRel215,并分析其有效性。     

基于支持向量机和纹理特征的人脸识别

提出了一种基于支持向量机和纹理特征的识别方法及框架模型。即在研究支持向量机理论的基础上,采用支持向量机的分类算法实现人脸识别系统的训练和测试,并将图像的纹理特征技术应用于人脸识别的预处理中。实验表明支持向量机和纹理特征相结合可以获得较好的识别率。