基于层次稀疏DBN的瓶颈特征提取方法

针对现有语音特征无法有效利用长时段语音和监督性类别信息,及现有瓶颈特征提取方法耗时过长等缺陷,提出基于层次结构稀疏深度可信神经网络的瓶颈特征提取方法.该方法将重叠组套索作为深度可信神经网络目标函数的稀疏正则项使用,从而构建训练速度更快的稀疏深度可信神经网络.然后利用层次结构的网络架构方式,将两个稀疏深度可信神经网络串联后使用,进一步增强瓶颈特征的判决能力.文中将此瓶颈特征应用于音素识别中,实验表明该特征的有效性.     

一种多值决策属性的决策系统的离散化算法

决策系统中连续属性的离散化,即实型属性空问向整型属性空间的映射,它是对决策表中属性约简的第一步.针对多值决策属性的决策信息系统,提出一种新的属性离散化算法.首先根据决策属性的不同,将条件属性集划分为不同的序列,对每两个序列求取候选断点,最后,综合所有的候选断点即为所求的候选断点集合;然后在基于条件属性重要度和贪心算法的基础上提出一种确定结果断点子集的新启发式算法.实例验证了本文所提出的算法能够取得较理想的连续属性离散化结果.     

连续语音识别中基于Dropout修正线性深度置信网络的声学模型

大词汇量连续语音识别系统中,为了增强现有声学模型的表征能力、防止模型过拟合,提出一种基于遗失策略(Dropout)修正线性深度置信网络的声学模型构建方法。该方法使用修正线性函数代替传统Logistic函数进行深度置信网络训练,修正线性函数更接近生物神经网络的工作方式,增强了模型的表征能力;同时引入Dropout策略对修正线性深度置信网络进行调整,避免节点之间的协同作用,防止网络出现过拟合。文章利用公开语音数据集进行了实验,实验结果证明了所提出的声学模型构建方法相对于传统方法的优越性。     

一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用

在语种识别中,传统的MFCC特征由于每帧信号上的信息量不足,很容易受到噪声污染,且抗噪能力较弱。同时,目前普遍使用的SDC特征提取方法在参数选择上需要人为设定,这增加了识别结果的不确定性。针对上述不足,将深度学习方法引入特征提取之中,提出了基于瓶颈深度信念网络的特征提取方法。最后在NIST2007数据库上对瓶颈层的大小、隐层数目以及瓶颈层位置进行了相关的对比实验,结果表明,提出的方法相对于传统的特征提取方法能够取得更高的识别率。     

基于高斯滤波器及费舍尔准则的特征提取方法

针对梅尔倒谱系数与翻转梅尔倒谱系数在语种识别应用中的不足,采用高斯滤波器代替三角滤波器,提出一种新的梅尔倒谱系数提取方法,解决传统梅尔倒谱系数提取中邻近滤波器相关性较弱的问题,并结合Fisher准则构造出最优混合特征参数,采用高斯混合模型分别对不同混合特征进行语种识别。实验结果表明:基于高斯滤波器及Fisher准则的改进梅尔倒谱系数混合特征参数作为语种识别特征具有较高的识别准确率。     

量子神经计算和量子遗传算法的理论分析和应用

经过比较研究发现,在量子计算与神经网络和遗传算法之间,不论在计算思想上还是模型表达上,都存在着许多相似之处,这些相似性启发人们去研究基于量子理论的神经网络和遗传算法模型,一方面探索神经网络和遗传算法在量子系统上的实现方法,另一方面研究量子理论启发下的新的神经网络与遗传算法模型。本文总结了本课题组近年来在量子计算与神经网络和遗传算法相结合领域的研究工作,包括量子系统实现神经计算的理论分析,量子神经网络物理模型的研究,基于量子概率表达的量子遗传算法及其应用研究等,并对今后的发展提出了展望。     

互调干扰的特性及判证方法

本文对无线电通信中经常出现的互调干扰特性进行分析,并提出了一种全景搜索、信道搜索、测向定位和话音特性分析相结合的综合分析判证方法。     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于量子双缝干涉实验的神经网络模型

本文利用量子理论中的双缝干涉实验(Double-slit Interference Experiment)构造了一种全新的量子神经网络(Quantum Neural Network,QNN)模型.通过理论分析,推导出该模型的动力学表达式,并给出相应的训练算法.仿真实验表明,该模型具有学习布尔逻辑函数的功能,特别是两层网络结构能够实现类似异或(XOR)逻辑的学习,体现出了量子计算对传统神经网络的优越性.本文的研究为探索神经网络与量子计算的结合提供了一个新的途径.