基于仿生模式识别理论的高阶神经网络说话人识别方法

根据一种全新的仿生模式识别理论，提出了采用神经网络实现并完成说话人识别的新方法。该方法利用高阶神经网络形成的复杂包络在特征空间中构造不同说话人的覆盖区域达到识别目的。相关实验证明，这种新的说话人识别方法只要通过少量样本的训练即可达到比传统方法更高的识别率。     

基于KL-小波包分析的文本无关的说话人识别

提出了一种新的文本无关的说话人识别方法,它通过KL变换对语音进行规整、去噪,再利用小波包分解系数弹性地选择频带,提高时频分辨率,更好地提取出说话人的特征。实验证明,这种方法不仅具有较高的识别率,并且在嘈杂环境下也能保持稳定的性能。     

基于对向传播神经网络的人脸识别方法

根据对向传播网络适于模式分类的特性,提出了基于对向传播网络的人脸识别方法。同时,为了克服对向传播网络在训练过程中的不稳定性,改进了对向传播网络的学习算法,并且以国际通用的ORL人脸库为对象进行实验研究。结果表明,选择合适的参数,就可以达到理想的识别效果。证明了基于对向传播网络的人脸识别方法是有效可行的。