神经网络语音识别的研究及进展

论述了在语音识别中听觉神经网络模型，ＢＰ网络，时延神经网络，自组织影射，学习矢量量化和神经预测网络的优缺点及神经网络语音识别的发展动态。     

一种基于自组织神经网络的语音识别系统

建立了一种基于自组织神经网络的语音识别系统。对语音信号进行了预处理,提取了语音信号的线性预测系数、线性预测倒谱系数和Mel倒谱特征系数,建立了基于自组织神经网络的识别判决模型。深入分析和改进了自组织神经网络的分类聚类能力,通过加强训练和设定阈值函数的方法,有效地确定了边界神经元的归属,划分出了合理的输出模式类。验证了自组织神经网络适合于处理孤立词语音识别,并具有快速性和结构简单等特征。MATLAB仿真实验表明,语音识别率达到96%。     

基于过程神经网络的语音识别技术研究

过程神经网络是一种基于过程神经元的新型神经网络,其输入及权值皆为时序函数。针对语音识别的特点,对过程神经网络在语音识别技术中的应用进行了探索性的研究,并与传统的BP神经网络、径向基函数网络进行了比较。仿真结果表明,采用过程神经网络进行的语音识别,识别性能得到了提高。     

基于神经网络的语音识别与自动检验研究

语音识别系统在语音识别中自我判定识别结果，并从错误中自动获取经验改正错误实现知识的自我完善具有重要意义。采用人工神经网络可以有效学习与更新知识，人工神经网络与语音识别结果自动检验方法结合实现一种新的有效学习与更新系统。在该系统中采用基于LEA判别法的梯度牛顿有效结合神经网络快速学习方法。该系统实现在语音识别实践中能够自学习并提高识别率，具有一定的智能。文中给出系统原理图和实验结果。     

有序聚类方法及其在神经网络语音识别中的应用

本文提出了一种新的网络结构,我们称之为有序聚类网络。这种网络能够对语音信号进行特征提取,很好地解决神经网络语音识别中的时间规整问题。有序聚类网络从输入语音信号的特征矢量序列中撮出一组固定数目的特 矢量,然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较,用这种网络进行前端处理,可以缩短后端神经网络分类器的训练和识别时间,简化经分类器的网络产高的识别率。根据该 们建立了     

改进的LVQ网络与DTW相结合的语音识别方法

提出一种基于动态时间规整(DTW)和改进的学习矢量量化(LoPLVQ)的神经网络的语音识别方法.该方法用动态时间规整算法先对语音信号进行时间规整,然后通过改进的学习矢量量化神经网络进行语音的分类识别.实验表明,新系统在大规模语音识别方面不仅能缩短训练时间,而且具有较高的识别率.     

SOM-LSTM递归神经网络语音端点检测系统

语音端点检测是语音信号处理的一个重要环节,传统的语音端点检测算法往往是基于短时能量以及过零率等实现,在低信噪比的环境下,检测算法的准确度较低。因此,提出了一种基于自组织映射(SOM)神经网络和长短时记忆(LSTM)递归神经网络相结合的端点检测算法。该算法通过检测语音信号在每个时间节点上的特征属性利用SOM神经网络进行聚类,并根据每个时间节点的语音状态对聚类结果进行调整,构造能够判别语音状态和噪声状态的样本作为LSTM递归神经网络的输入,利用LSTM递归神经网络实现端点检测的目的。     

语音识别与理解的研究进展

本文综述了当前语音识别理解的发展趋势和最新进展。指出美国在不依说话人的大词汇表的连续语音隐马尔柯夫模型识别方面起主导地位,日本在大词汇表的连续语音神经网络识别、模拟人工智能进行语音后处理方面起主导地位,并介绍了国际上最优秀的语音识别理解系统。     

基于神经网络的自学习非特定人语音识别研究

详细介绍一种基于神经网络的自学习非特定人语音识别方法,首次介绍一种语音识别知识的自动检验方法——LVV法,给出系统原理图和知识库的自动完善原理;介绍一种LEA判别法,实现梯度牛顿有效结合神经网络快速学习方法,并给出了实验结果。     

毫米半径麦克风阵列语音分离系统

随着语音技术的发展，越来越多语音处理系统尝试应用于现实生活。然而在实际场景中，噪声干扰是一个影响语音识别等任务准确率的重要因素。为了克服噪声问题并提升性能，需设计语音分离或增强模块。文中通过结合波束成形与神经网络设计了在毫米半径麦克风阵列场景下的语音分离系统并在语音识别任务上进行了测试。实验显示文中设计的系统对语音识别准确率有一定帮助。该方法可以应用于设备空间受限的场景中以提高性能。     

具有领域独立性的通用模式识别方法的研究

统计方法是当前广泛采用的模式识别方法，但是这种方法的专业性较强，缺乏通用性。针对这种现状文章提出了基于结构模式识别理论的一种通用模式识别方法，该方法使用一系列结构检测子来提取信号特征．具有领域独立性。设计了对比实验，通过同传统的统计模式识别方法的比较验证了通用模式识别方法的有效性．通过两个不同领域的模式识别问题验证了该方法的领域独立性和有效性。     

探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

基于多重卷积神经网络的大模式联机手写文字识别

联机手写识别在日常生产生活中有着广阔的应用,模式识别也一直把其作为研究的重点。传统的识别方法是利用普通卷积神经网络技术,该方法在对小规模字符集联机手写文字识别时有着较高识别率,总体性能高,但在对大规模字符集识别时,识别率则大大降低。提出一种基于多重卷积神经网络的识别方法,旨在克服以往方法对大规模字符集识别时识别效率不高的问题,提高大规模字符集联机手写文字的识别率。系统使用随机对角Levenberg-Marquardt方法来优化训练,通过使用UNIPEN训练集测试该方法识别准确率可达89%,是一个有良好前景的联机手写识别方法。     

融合Inception-LSTM级联网络下的动态手势识别

目前基于视觉的动态手势识别问题仍是研究的难点,在大多数应用背景情况下很难提高手势识别率.传统的动态手势识别手段主要是利用智能传感设备以及单个或多个摄像头进行数据采集的视觉方法来实现,效率低,准确度差.近年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特征得到了广泛关注.本文针对传统动态手势...     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

一种基于FPGA的文字识别系统

根据目前文字识别系统的特点,提出了一种用FPGA实现文字识别系统的方案。该方案主要是利用FPGA对文字识别中识别率较高的改进的轮廓方向角方向分解的方法进行特征提取和文字识别,在进行方向分解时,直接利用水平方向分量和垂直方向分量的比值来代替原来改进的轮廓方向角中的求正切运算。通过实验发现,与传统的用软件实现的方案比较,该方案更能适合便携式文字识别设备,在保持较高的识别准确度的同时,大大提高了文字识别的处理速度。     

一种改进的集装箱箱号自动识别系统

针对已有集装箱箱号字符定位、分割、识别算法上的不足,分别提出了基于逆向扫描的箱号区域提取法,基于区域重心的字符定位分割法和基于概率神经网络的字符识别法。用Matlab编程,实现了对集装箱箱号的自动识别,识别正确率可达95%。本文提出的方法具有识别正确率高、算法简单、可靠性好等优点,有望提高码头道口通勤率,降低运营成本。     

一种改进的集装箱箱号自动识别系统

针对已有集装箱箱号字符定位、分割、识别算法上的不足,分别提出了基于逆向扫描的箱号区域提取法,基于区域重心的字符定位分割法和基于概率神经网络的字符识别法。用Matlab编程,实现了对集装箱箱号的自动识别,识别正确率可达95%。本文提出的方法具有识别正确率高、算法简单、可靠性好等优点,有望提高码头道口通勤率,降低运营成本。     

基于神经网络与比例法的多文字识别

用传统方法进行文字识别时,需要花费时间分别去提取各个文字的区域.但是在讲究速度与效率的实时系统中,文字识别的速度是一个值得深思的问题.提出了一种多文字识别方法,其核心思想是将输入的文字当做一个整体进行处理,而不需要在单字区域提取上消耗过多时间,再利用ROI以及投影法进一步减少比例法特征提取算法的运算时间.在此基础上,采用BP神经网络进行样本训练与文字识别.实验结果表明,该方法能够有效地实现快速识别,识别四个字的所花费的时间为120 ms.     

基于ganna分布模型的SAR图像目标识别方法研究

合成孔径雷达目标识别是目前世界上模式识别领域的重点研究课题之一,大体可分为两个部分的识别过程,即对目标姿态角的识别和对目标类型的识别。本文首先介绍了对SAR图像的增强算法,然后通过对基于模板与基于模型的识别方法的比较,将基于Radon变换的目标姿态角识别方法与基于gamma模型的SAR目标类型识别算法相结合,从而提出一种SAR目标识别的综合方法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。