基于小波神经网络的语音端点检测算法

为了提高语音端点检测效果,将小波分析和神经网络相融合,提出一种基于小波神经网络的语音端点检测算法（WA-PCA-RBF）。利用小波分析提取语音信号的特征向量,采用主成分分析法选择语音信号特征,消除冗余特征,将选择特征向量作为RBF神经网络输入,通过遗传算法优化RBF神经网络参数建立语音端检测模型。结果表明,相对于传统语音端点检测算法,WA-PCA-RBF提高了语音端点检测正确率,具有更好的适应性和鲁棒性,可满足实际系统需求。     

基于分形维数和模糊RBF神经网络的语音端点检测

简单介绍了分形维数的概念及模糊RBF神经网络的结构。利用分形维数在噪声情况下作为语音端点检测参数的优越性,组合幅度熵、帧能量及过零率作为模糊神经网络的输入参数进行语音信号端点检测。用连续语音进行非正式测试,实验证明该方法避免了选取阈值这一难点,在噪声情况下仍具有较高检测准确率。     

一种基于模糊神经网络的语音端点检测方法

为了提高语音端点检测的适应性和鲁棒性,提出一种基于小波分析和模糊神经网络的语音端点检测方法。利用小波变换得到语音信号的特征量,以这些特征量为模糊神经网络的输入进行运算,判断出该信号的类别。介绍了信号特征量的提取以及模糊神经网络的模型、学习算法等。实验表明,与传统的检测方法相比,所提出的方法有较好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

多特征和神经网络相结合的语音端点检测算法

为了提高语音端点检测正确率,提出一种基于多特征和神经网络相结合的语音端点检测算法。首先分别提取语音信号的短时能量特征、时域方差特征和频域方差特征,然后将这些特征量作为神经网络输入进行训练和建模,最后判断出该信号的类别。仿真实验表明,相对于单一特征语音端点检测算法,多特征融合和神经网络检测算法提高了语音端点检测正确率,具有更好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

模糊熵在车载环境下语音端点检测中的应用

为了提高车载噪声环境下语音端点检测的准确性,介绍了一种新的时间序列复杂性测度：模糊熵,并将其应用于语音信号的特征提取。分别以样本熵和模糊熵提取含噪语音信号的特征,使用双门限法对语音信号进行端点检测,特征门限值使用模糊C均值聚类算法和贝叶斯信息准则算法确定。仿真结果表明在车载噪声环境下与样本熵算法相比,模糊熵算法能更好地区分噪声信号和语音信号,具有更好的端点检测性能,相同环境下模糊熵算法的错误率比样本熵算法降低了16%以上。     

改进动量粒子群优化神经网络的语音端点检测

为了提高语音端点检测率,提出一种改进动量粒子群优化神经网络的语音端点检测算法(WA-IMPSO-BP)。利用小波分析提取语音信号的特征量,将特征向量作为BP神经网络输入进行学习,并采用粒子群算法优化BP神经网络参数,建立语音端检测模型,在Matlab环境下进行仿真实验。仿真结果表明,WA-IMPSO-BP提高了语音端点检测率,有效降低了虚检率和漏检率,表示WA-IMPSO-BP是一种检测率高,抗噪性能强的语音检测算法。     

强噪声环境下改进的语音端点检测算法

为了提高强噪声环境下语音端点检测的正确率,克服传统的短时能量和短时过零率双门限语音端点检测算法在低信噪比（SNR）条件下检测性能急剧下降这一缺陷,提出了一种改进的语音端点检测算法。该方法对强噪声环境下的语音信号,首先进行小波阈值去噪,提高信噪比,再采用双门限法进行端点检测。实验结果表明,该算法具有一定的鲁棒性,在强噪声环境下仍能准确地进行语音端点检测,从而该算法的有效性得到验证。     

一种基于频能比的端点检测算法

根据语音的发音特点,论文提出了一种在噪音环境中检测语音信号的参数———频能比(FER),并且提出一种基于该参数的端点检测算法,实验表明该算法能够在信噪比较小的情况下,准确地检测出语音信号。通过对三种不同的端点检测算法的比较,笔者发现基于频能比的端点检测算法在环境噪音比较强的情况下可以有效地提高语音信号的识别率。     

一种语音信号端点检测方法的研究

在语音识别系统中,端点检测的误差会降低系统的识别率,进行有效准确的端点检测是语音识别的重要步骤。因此端点检测逐渐成为语音信号处理中的一个热点。本文提出了一种基于模型的Teager能量端点检测方法。实验证明,该算法比传统的能量过零率端点检测算法具有更高的识别率,能够更准确的检测出语音信号的端点。     

基于压缩感知和MFCC的语音端点检测算法

在连续语音识别系统中,针对强噪声环境下传统双门限语音检测方法出现的误检问题,提出了一种结合压缩感知理论和MFCC倒谱系数的端点检测算法。该算法采用Hadamard随机观测矩阵和改进的OMP重构算法对语音信号进行压缩感知与重构,利用语音信号在离散余弦基上的近似稀疏性,提取重构信号的MFCC倒谱系数来检测语音信号的端点。仿真结果表明,提出的改进算法具有较强的鲁棒性,能满足在强噪声环境下对连续语音信号进行有效端点检测的要求。     

基于Boosting RBF神经网络的入侵检测

提出一种新颖的基于boosting RBF神经网络的入侵检测方法。将模糊聚类和神经网络技术相结合,提出基于改进的FCM算法和OLS算法相结合的FORBF算法,为了提高RBF神经网络的泛化能力,采用Boosting方法,进行网络集成。以“KDD Cup 1999 Data”网络连接数据集训练神经网络并仿真实验,得到了较高的检测率和较低的误警率。     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。     

K-聚类的模糊神经网络对DO的控制研究

运用一种基于K-聚类算法的模糊径向基函数（RBF）神经网络对污水处理中的溶解氧质量浓度进行控制,该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制、RBF神经网络以及K-聚类学习算法相结合以在线调整隶属函数,优化控制规则。通过对阶跃输入仿真分析,其结果表明基于RBF的模糊神经网络控制器具有良好的动态性能、较强的鲁棒性和抗干扰能力,使其快速、准确地达到期望水平。     

基于聚类算法的RBF神经网络设计综述

简要分析了径向基函数（RBF）神经网络。在此基础上,介绍了K-均值聚类算法的神经网络、C-均值聚类算法的神经网络和PAM聚类算法的神经网络三种聚类算法的RBF神经网络。展望了基于聚类的RBF神经网络设计的发展趋势。     

基于模糊RBF神经网络的换热器建模

针对换热器的复杂非线性特征,利用一种模糊RBF神经网络结构,对其网络学习算法进行部分改进,并用于解决换热器的建模问题。采用模糊RBF神经网络不仅符合人的思维推理方式,也提高了神经网络的学习泛化能力,在改进的学习算法中通过学习率的值的不断变化和添加动量项,可以使学习速度加快,提高了辨识换热器模型的准确性。通过与传统的学习算法的仿真比较,验证了所提出的改进学习算法在辨识精度和稳定性方面具有更好的效果。