一种基于受限玻尔兹曼机的说话人特征提取算法*

基于总体空间差异模型的身份认证矢量(即i-vector)已经在说话人识别任务中得到了广泛应用。本文提出了一种基于受限玻尔兹曼机(RBM)的说话人特征向量提取方法来替代总体差异建模的特征提取方法。该方法通过训练得到RBM的模型参数,之后利用隐层输出来表征输入语音超向量的说话人信息。文中比较了不同结构和模块(包括构建RBM的2种单元分布、线性判别分析等)对说话人确认性能的影响。所提方法作为一种新的i-vector特征表示方法,在NIST SRE 2008上取得了和ivector说话人基线系统相当的性能。通过与i-vector基线系统进行融合,系统性能进一步提升。在NIST SRE 2008女性电话语音测试集和男性电话语音测试集上的等错误率分别降至6.83%和4.73%。     

基于稀疏表示分类的说话人识别算法及其在智能考勤系统中的应用

智能考勤系统在企业对员工的出勤考查中具有十分重要的作用。为了提高语音考勤系统的准确性,提出基于稀疏表示的说话人识别算法。该算法在通用背景模型的基础上提取说话人语音的高斯混合模型超向量,采用线性判别分析技术对超向量进行信道补偿和降维,再由低维超向量形成稀疏表示的过完备字典。根据话者测试语音在过完备字典上的重构误差,对话者的身份进行验证。实验结果表明,基于稀疏表示分类的语音考勤系统具有良好的性能。     

基于最大散度差准则LDA的电子鼻中药材鉴别方法

在电子鼻的模式识别方法中,线性判别分析(Linear Discriminant Analysis,LDA)是常用的方法之一.然而,当样本类内散布矩阵奇异时,使用传统的基于Fisher准则的LDA算法会出现小样本问题.将最大散度差准则引入线性判别分析中,不仅可以解决小样本问题,实现3种不同产地中药材的正确鉴别,而且分类效果更好.结果表明:对3组样本的最终判别结果达到了97.8％的正确判别率,误判的待测样本只发生在安徽白术.     

基于DWT和PCA及LDA的人耳识别

根据主成分分析(PCA)和线性判别分析(LDA)在人耳识别过程中存在识别率不高的问题,提出一种基于离散小波变换(DWT)和PCA及LDA的人耳识别算法。将人耳图像进行二维DWT,选择包含图像大部分信息的低频子带,先利用PCA再利用LDA提取最优样本映射空间,最后利用最近邻法则进行人耳图像的分类。实验结果表明,该方法识别效果优于基于PCA及LDA的方法。     

基于段级特征的快速说话人识别算法及DSP实现

本文在TMS320C6701EVM板的基础上实现一种快速的说话人识别系统.提出一种基于段级语音特征的说话人识别的快速算法,该算法在传统的GMM算法的基础上使用段级语音特征对测试语音进行数据量压缩,以减少计算时间.并基于车比雪夫和不等式提出了基于协方差模型的段级特征的失真测度描述.根据实验选择了段级特征语音段长度,实验表明该算法在不显著影响识别率的基础上有效地减少了算法延迟,提高了识别速度.     

基于双尺度柔性原型迁移网络的空间滚动轴承寿命阶段识别

针对变工况条件下样本分布差异较大、不同寿命阶段样本数量不均衡导致现有空间滚动轴承寿命阶段识别方法的寿命阶段识别精度较低问题,提出基于双尺度柔性原型迁移网络（Dual scale flexible prototype transfer network,DSFPTN）的空间滚动轴承寿命阶段识别方法。在所提出的DSFPTN中,构造双尺度柔性域感知模块并将其嵌入特征提取器来增强特征提取器对不同领域私有特征的探索能力,提高特征提取器对空间滚动轴承源域和目标域样本特征的学习能力;设计同域泛原型学习以防止跨域样本不加区分的特征学习和不正确聚类,增加两域异类样本的区分性;构建两域原型迁移机制来获得域不变原型,实现从源域原型到目标域原型的迁移;利用加载域不变原型后的双分类器对齐两域之间的分布并计算目标域待测样本与域不变原型之间相似度完成对空间滚动轴承目标域待测样本分类,该分类方式在不同寿命阶段样本数量不均衡条件下能提高对各寿命阶段样本的识别精度。地面模拟空间环境下空间滚动轴承寿命阶段识别实例验证所提出的基于DSFPTN的寿命阶段识别方法的有效性。总之,构建双尺度柔性域感知模块、同域泛原型、两域原型迁移机制和加载域不变原型的双分类器使得DSFPTN在样本分布差异较大以及不同寿命阶段样本数量不均衡条件下,仅利用空间滚动轴承源域的非均衡有标签样本就能对目标域待测样本进行较高精度的寿命阶段识别。     

基于最近最远距离保持投影算法的发动机失火状态识别

目前的局部保持投影算法(Locality and preserving projections, LPP)只考虑样本点的近邻矩阵,但是对于那些处于与该样本点距离最远处的样本特性并没有做出研究,这些最远处的样本同样具有描述数据结构信息的功能。为了更好地保留数据结构信息,在考虑样本的近邻点分布的同时分析其最远处的样本点分布,即同时考虑样本的“近邻矩阵”和“最远矩阵”,通过二者结合实现数据维数的约简,由此提出基于最近最远距离的保持投影算法(Nearest and farthest distance preserving projections, NFDPP)。将该算法运用于发动机失火状态的仿真数据及实际测试中,通过与主成分分析(Principal component analysis, PCA)、LPP、邻域保持嵌入(Neighborhood preserving embedding, NPE)、线性判别分析(Linear discriminant analysis, LDA)等算法的对比,得出NFDPP算法能够得到更低的识别错误率曲线,证明所提出的NFDPP算法能够有效地识别发动机失火故障状态。     

自适应邻域构造流形学习算法及故障降维诊断

针对流形学习算法中近邻构造问题,提出一种自适应邻域构造方法,该方法基于马氏距离计算样本间相似系数,由相似系数均值确定初始近邻数,根据样本高斯核概率密度估计调整近邻数,并将自适应邻域构造方法用于改进的主成分分析联合局部保持投景(principal component analysis-locality preserving projections,简称PCA-LPP)流形学习算法中。通过齿轮箱故障类型识别对其特征降维性能进行验证,结果表明,自适应邻域PCA-LPP方法比传统的k近邻方法及原始无处理的特征识别率都高,可以达到94.67%。     

基于图嵌入概率半监督判别分析的故障辨识

针对现有旋转机械早期故障辨识方法在训练样本稀少条件下辨识性能极易衰退的关键问题,提出基于图嵌入概率半监督判别分析(Graph-implanted probability-based semi-supervised discriminant analysis,GIPSSDA)维数化简的早期故障辨识方法。该方法在训练样本稀少条件下用GIPSSDA将训练和待测样本的高维时、频域早期故障特征集化简为类区分性更好的低维特征矢量,提高了终端学习机优化证据理论K近邻分类器(Optimized evidence-theoretic k-nearest neighbor classifier,OET-KNNC)对早期故障的辨识精度。GIPSSDA集成了半监督邻接图嵌入技术,能同时利用待测样本的类判别信息和局部几何结构搜索分类的最优映射子空间,因此在训练样本非常稀少的情况下也能产生较好的分类效果。深沟球轴承早期故障辨识试验验证了该早期故障辨识方法的有效性和优越性。     

基于SURF算子的快速手背静脉识别

提出基于加速鲁棒性特征(speeded-up robustfeatures,SURF)的手背静脉识别算法.首先对手背静脉图像进行预处理,提取手背静脉感兴趣区域(ROI),然后提取手背静脉的局部SURF特征,基于欧式距离实现测试样本和注册样本特征点的匹配,并剔除错误匹配对,最后计算匹配率作为待识别样本和注册样本之间的相似度测试实现身份识别.利用TJU手背静脉图像数据库对算法性能进行测试,在认证模式下等错率为0.07%,平均识别时间0.153 s.实验结果证明该算法可以快速有效地实现手背静脉识别.     

基于GMM聚类的鲁棒性i向量说话人确认

针对i向量说话人确认系统识别率低且鲁棒性差的问题,提出一种基于GMM聚类的鲁棒性i向量生成算法,应用于SVM说话人识别系统。该算法根据话者GMM模型间的巴氏距离,对说话者GMM模型进行聚类,将N个说话人模型划分为K类,再根据聚类中心模型,应用MAP算法提取聚类超向量,采用联合因子分析方法提取其i向量,对得到的i向量应用线性判别分析和类内协方差归一化技术对其进行信道补偿和降维。将该i向量用于训练SVM以判定目标说话人,仿真实验验证了该算法的有效性。     

模拟电路故障特征降维方法

为有效进行模拟电路故障特征的降维处理,在线性判别分析中通过引入局部化思想提出一种局部线性判别分析降维方法。首先,构造单个数据的局部数据块,计算其类内、类间散度矩阵,通过缩放因子平衡局部邻域类内紧性和类间散性之差建立单个数据的局部优化准则;然后,在整个数据空间中采用对齐算法重构最终目标函数,最后使用标准特征值分解方法求得投影矩阵完成数据降维。算法充分利用数据的局部判别信息使其能够处理数据的非线性并保持数据的类区分度,而且克服了线性判别分析中的小样本问题。算法在标准数据集和模拟电路故障特征提取中进行实验均取得了较好的效果。     

基于主成分分析和线性判别的航空发动机状态监视

利用航空发动机传感器数据对发动机状态进行监视,采用主成分分析（PCA）方法和线性判别法（LDA）对发动机传感器数据进行二次特征提取,按照最优近邻思想进行分类。将2008年IEEE PHM数据作为实验数据,将基于PCA和LDA的分类结果与基于PCA的分类方法以及深度信念网（DBN）分类方法的结果进行了对比分析,结果表明,基于PCA和LDA方法的识别率综合最优且结构简单,对于工程应用该方法有效可行。     

基于Schur正交的局部Fisher判别转子故障诊断

为更好识别转子系统故障,将正交思想引入到局部Fisher判别分析(LFDA)中,提出了一种基于Schur正交的局部Fisher判别(SOLFD)监督流形学习算法.算法以转子故障训练样本为监督信息,通过局部加权邻接矩阵重新定义类内散度和类间散度,构建局部Fisher判别函数.以判别函数值最大化为目标,通过Schur正交分...     

基于聚类分析的说话人识别研究

通过分析当今说话人识别系统中常用的一些特征参数.提出一种基于改进的K均值聚类算法的多特征组合的说话人识别方法。经过多次实验证明.采用上述方法不仅解决了K均值算法对初始值敏感、易陷入局部最优的问题.而且有效地提高了系统的识别率。     

一种邻域保持判别嵌入人脸识别方法

邻域保持嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构信息的能力。为了进一步提高NPE的性能,本文提出了一种邻域保持判别嵌入(NPDE)算法,并将其用于人脸识别。在NPDE算法中引入了数据集的判别信息,在保持局部邻域结构信息的同时,具有更强的判别力。在Yale和ORL人脸数据库上的实验结果表明,本文提出的NPDE用于人脸识别具有较高的识别率。