采用非监督得分规整和因子分析的说话人确认

 在文本无关的说话人确认中,规整算法能够有效地调整测试得分的分布.另外,利用前面已经得到的测试语句的得分来调整规整的参数可以取得更好的效果,这种规整叫做非监督得分规整.在本文中,借用开发集得分来建立说话人和冒认者得分的两个先验高斯分布函数,在实际的测试中,利用最大后验概率准则来对规整的模型参数进行调整.在采用因子分析的情况下,在NIST 2006说话人识别测试1conv4w-1conv4w数据库上,能够取得等错误率5.26%.     

重组凝乳酶原在大肠杆菌中的表达及活性研究

为了提高干酪生产中起重要凝乳作用的凝乳酶的原核表达效率,分析了Genbank中牛、羊和骆驼凝乳酶原(prochymosin,pCHY)的保守序列及大肠杆菌密码子的偏爱性,合成了凝乳酶原序列,并将其克隆至大肠杆菌原核表达载体上。经IPTG的诱导得到高效表达的凝乳酶原;Western blotting检测证明了其具有免疫原性;经pH值2到6活化后成功自剪切,得到大小约36 ku的有凝乳活性的凝乳酶。研究获得较高表达水平具有凝乳活性的重组凝乳酶。     

基于本征音因子分析的短时说话人识别

提出了一种基于本征音因子分析的文本无关的说话人识别方法.它解决了训练语音与测试语音均很短的情况下,传统的基于最大后验概率准则的混合高斯模型无法建立稳定的说话人模型问题.首先利用期望最大化算法在开发集上训练出说话人的本征音载荷矩阵,在说话人模型建模时通过将短时语音数据向本征音空间的降维映射来得到模型参数.实验结果表明,在NIST SRE 2006数据库中的10 s训练语音-10 s测试语音任务中,在传统的混合高斯模型的基线系统上,通过采用本征音因子分析的方法可以使系统等错误率降低18%.     

采用模型和得分非监督自适应的说话人识别

在说话人识别的研究中, 使用以前的测试语句信息对模型参数或者测试得分进行动态更新, 使模型可以更精确地反映测试语句和说话人模型之间的关系, 这种更新策略称为非监督模式, 这方面的研究对实际的说话人识别系统具有非常重要的意义. 本文除了采用非监督的说话人模型自适应更新方法之外, 还提出了非监督的得分域自适应算法: 首先采用双高斯函数对得分建立一个先验的得分模型, 利用最大后验概率准则对得分规整的模型进行调整. 在测试过程中, 采用得分域和模型域的非监督算法可以互相补充, 提高识别率, 在NIST SRE 2006年1训练语段-1测试语段数据库上, 使用模型域和得分域非监督自适应的系统能够取得等错误率4.3%和检测代价函数0.021的结果.     

草原兔尾鼠卵透明带3融合蛋白抗原的制备及免疫反应性

目的大量制备重组的草原兔尾鼠卵透明带3(Recom binant Laguruslagurus zona pellucida 3,r-LZP3)融合蛋白,并检测其免疫反应性。方法经密码子优化的Lzp3基因在E.coli BL21(DE3)中以包涵体形式表达融合蛋白,表达产物经洗涤、纯化、溶解、复性后,用Western blot、ELISA和抗生育试验鉴定免疫反应性。结果得到纯度达93%的r-LZP3蛋白。Western blot显示表达产物与LZP3小鼠抗血清出现特异性反应条带。ELISA表明免疫小鼠血清中LZP3抗体滴度达1∶45000以上。抗生育试验表明r-LZP3蛋白免疫小鼠的避孕率为25%,平均每胎产仔数减少4~5只。结论已获得了大量具有显著免疫活性的r-LZP3蛋白,为控制草原兔尾鼠鼠害的研究提供了重要的抗原。     

原核表达重组牛凝乳酶原及重组牛凝乳酶酶学特性

凝乳酶能够专一性裂解κ-酪蛋白,是制造干酪的关键酶。运用大肠杆菌表达系统对牛凝乳酶原进行了原核表达和初步纯化,活化重组凝乳酶原及测定凝乳活性,对重组凝乳酶的酶学特性进行分析。结果表明:大肠杆菌表达的重组蛋白约占菌体总蛋白的66.3%,每升培养液可纯化约200 mg的重组凝乳酶原,活化后的凝乳酶活力可达600 000 SU/g。经测定凝乳酶最适作用温度为57⁶2℃,并在pH 262℃,并在pH 2⁷、低于40℃的温度范围内稳定。金属离子中Al3+,Fe3+和Cu2+能显著增强酶活;胃蛋白酶抑制剂pepstatin A对酶有明显的抑制作用。     

说话人识别中的因子分析以及空间拼接

联合因子分析可以有效拟合混合高斯模型中的说话人和信道差异, 在说话人识别中得到广泛应用. 一般情况下, 该算法在对说话人和信道两个载荷矩阵进行联合估计时, 说话人残差矩阵无法发挥作用, 信道载荷矩阵的因子数不能提高. 本文提出说话人载荷矩阵、说话人残差载荷矩阵采用串行的训练模式, 在信道载荷矩阵训练中采用矩阵拼接的方法, 能够有效提高识别率; 在NIST SRE 2008年核心测试数据库的五个部分分别达到等错误率3.3%, 5.1%, 5.0%, 5.3%和5.0%.     

话者识别的信道补偿

在文本无关的说话人识别中,训练与测试语音中信道环境的差异是影响其性能最重要的因素.近年来,利用因子分析对信道建模成为说话人识别领域的重要方法,大大降低了说话人确认的错误率,但运算复杂度限制了实时的应用.本文介绍了一种简化的因子分析方法:首先在混合高斯模型的模型域训练信道空间,然后在特征域进行信道补偿,得到的新特征可用于各种系统.在NIST2006的数据库上,利用本文的方法相对基线系统在等错误率上有31%的降低.