一种结合支持向量机训练的锚模型语种识别方法

在针对电话语音的语种识别系统中,训练语音和测试语音之间存在不同说话人的个性差异带来的干扰,是影响系统识别性能的一个重要因素.基于此,本文首先对当前语种识别系统中消除此影响的方法进行研究,对比分析它们各自的优缺点,选择将锚模型方法引入语种识别系统中,该方法将语料映射至说话人无关的锚超矩阵进而消除说话人相关信息.针对锚超矩阵的选择存在语种混淆和信息冗余等问题,本文并提出一种结合支持向量机的锚模型训练算法,该方法下得到的锚超矩阵更具语种区分性,并去除了混淆信息的影响,增强了矩阵的紧致性.实验结果表明,新方法下的锚模型映射方法能有效提高基线系统的识别性能,并降低了语种识别系统训练和识别时的计算量.     

基于支持向量机的西北少数民族语语种识别

首先从西北少数民族语语种的特征方面进行分析,找出不同语种之间的差异,提取语种语音特征参数,特征参数以矢量形式表现。然后利用训练矢量来训练one—against—one支持向量机模型,利用支持向量机模型对测试矢量集进行分类投票,获得投票数最多的语种被判定为未知语音的语种。     

基于支持向量机的语音识别研究

为了得到较好的语音识别效果,构建了基于线性核函数支持向量机的非特定人孤立词语音识别系统,取得了较高的识别率,并将该实验结果同基于HMM的识别结果进行了比较,显示出了支持向量机在基于有限样本情况下进行语音识别的优势。     

一种改进的PRSVM语种识别方法

传统的PRSVM方法存在以下问题:音素识别器的符号化结果与原语音存在不一致;向量空间维数高,稀疏.针对以上问题,先改用更适合噪声环境下连续电话语音的音素识别器,并采用词图结构改善解码效果,再分别用全局和局部两种隐含语义分析策略改进区分性训练问题.实验表明,本方法不但有效,而且大大减少了运算量.在NIST2007语种识别评测30秒、10秒和3秒任务中,本方法比基线系统性能有显著提高,等错误率分别相对降低了22.3%、14.7%和12.2%.     

高斯超向量-支持向量机鉴别性语种识别系统

支持向量机在语种识别技术中获得了广泛的研究和应用,并且达到和传统混合高斯模型相当的性能。高斯超向量-支持向量机系统将高斯混合模型与支持向量机有效地结合起来,采用高斯超向量核函数,以支持向量机作为后端分类器。重点介绍基于高斯超向量-支持向量机的语种识别系统,并和传统的高斯混合模型系统进行比较。在美国国家标准技术研究院2003年和2007年语种识别评测数据集上进行实验。实验结果表明,高斯超向量-支持向量机系统相对于混合高斯模型建模的方法,在长时数据上有较明显的性能优势。     

基于区分性Model Pushing的语种识别方法

提出一种区分性Model Pushing方法,将SVM训练出的支持向量沿最优分类面的法线方向进行适当移动,增大不同语种间的区分性,然后将移动后的支持向量反向应用于GMM。该方法既保留了SVM的区分性信息,又利用了GMM在短时语音上的优势,同时增加了目标与非目标的区分度。实验结果表明,区分性Model Pushing能有效地提高识别性能。     

一种基于支持向量机的数字调制识别方法

信号调制方式的自动识别是控制多模式软件无线电接收机解调单元对信号进行正确解调的基础,因此近年来得到了越来越多的研究者的关注。本文提出了一种基于支持向量机的数字调制识别方法。与传统的神经网络方法相比该方法具有更好的泛化推广能力。计算机仿真表明,当噪声采用高斯白噪声,并且信噪比大于15dB时,正确识别率高于97%。     

一种基于支持向量机的数字调制识别方法

信号调制方式的自动识别是控制多模式软件无线电接收机解调单元对信号进行正确解调的基础,因此近年来得到了越来越多的研究者的关注.本文提出了一种基于支持向量机的数字调制识别方法.与传统的神经网络方法相比,该方法具有更好的泛化推广能力.计算机仿真表明,当噪声采用高斯白噪声,并且信噪比大于15 dB时,正确识别率高于97%.     

模糊判决支持向量机在自动语种辨识中的研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的通用学习方法。自动语种辨识是语音信号处理中新出现的分支,也是一项较难的课题。该文提出的模糊判决支持向量机(FDSVM)是对支持向量机的判决结果的合理化改进,并应用于自动语种辨识系统。利用OGI-TS电话语音库对新算法的性能进行测试,然后给出实验结果。结果表明,该算法相对于传统算法是一种更有效的方法。     

基于支持向量机的多种语言话音识别研究

提出一种改进的支持向量机(SVM)--结果模糊化的支持向量机(RFSVM),用它进行多语种识别,并利用OGI-TS电话语音库对算法进行了测试.实验结果表明,该算法对于语言辨识是一种有效的方法.     

基于支持向量机的系统辨识

支持向量机是在统计学习理论基础上发展的一种新的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。该文利用支持向量机,选取不同的核函数,分别对线性自回归滑动平均模型、双线性模型、非线性模型进行模型辨识。仿真结果显示该方法具有良好的辨识性能。     

基于支持向量机的肿瘤基因识别

为了对基因表达数据矩阵中的肿瘤基因与正常基因进行判别分类,文章提出了基于支持向量机（Supporting Vector Machine,SVM）的肿瘤基因识别方法。在对基因进行特征选择的基础上,对只具有最优特征的基因样本再利用SVM分类思想进行判别,最后通过与其他方法所得结果进行对比可知,该方案在不降低分类准确度的同时,能有效地避免特征空间维数远大于样本空间维数所造成的“过学习”问题,而且避免了大的时空开销,具有很强的实用性。     

基于支持向量机的非线性系统辨识

本文针对未知非线性系统,提出了基于支持向量机(SVM)的系统辨识方法,并且通过仿真分析比较了基于SVM与基于RBF神经网络系统辨识及预测结果,仿真结果表明SVM方法比RBF神经网络方法具有更高的预测精度和更好的泛化能力。     

基于支持向量机的非线性系统辨识

支持向量机（SVM）是一种新的通用学习机器，它从结构风险最小化的角度，分析了学习过程的一致性，收敛速度等。SVM能以任意精度逼近一类函数，而与输入的维数无关，克服了传统神经网络用于系统辨识的维数灾问题及结构难以确定等,在于这一辨识的维数灾问题及结构难以确定等特点，基于这一特性研究了对非线性动态系统的辨识问题，仿真结果表明SVM用于系统辨识有良好的辨识效果，并指出了今后研究的方向。     

一种设计层次支持向量机多类分类器的新方法

层次结构的设计是层次支持向量机多类分类方法应用中的关键问题,类间可分性是设计层次结构的重要依据,提出了一种基于线性支持向量机度量类间相似程度的方法,并给出了一种基于类间可分性设计层次支持向量机多类分类器的新方法。实验表明,新方法有效地提高了层次支持向量机多类分类器的分类精度和速度。     

支持向量机

1 前言基于数据的机器学习是人工智能技术中的重要方面,从观测数据(样本)出发寻找数据中的模式和数据间的函数依赖规律,利用这些模式和函数依赖对未来数据或无法观测的数据进行分类、识别和预测。关于其实现方法大致可以分为三种,第一种是经典的(参数)统计估计方法,在这种方法中,参数的相关形式是已知的,训练样本用来估计参数的值。这种方法有很大的局限性,首先,它需要已知样本分布形式,其次传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设,但在实际问题中,样本数往往是有限的,因此一些理论上很优秀的学习方法实际中表现却可     

基于支持向量机的邮件过滤

随着万维网的兴起和电子邮件的快速发展,大量的垃圾电子邮件也随之在互联网上泛滥．电子邮件过滤就是要在大量邮件中过滤出垃圾邮件,帮助用户找到所需的邮件。本文讨论了基于机器学习方法实现垃圾邮件过滤的原理,提出一种改进的基于支持向量机的邮件过滤技术,该方法使用互信息度函数,结合Z-测试进行特征选择,使用SVM（支持向量机）构造分类超平面来进行文本分类。实验表明,提高了中文邮件过滤的准确性。     

基于支持向量机的软测量建模

本文主要讨论支持向量机方法在聚酯工业过程软测量建模中的应用,分析各类支持向量机算法、参数及核函数的选择对建模精度的影响。     

基于支持向量机的人耳识别系统研究

介绍了人耳识别的优势以及识别处理过程,然后采用不变矩方法对人耳图像进行特征提取,获得7个不变矩特征向量。重点利用支持向量机算法进行60只人耳图像的分类与识别,达到了100％正确分类率和95％的正确识别率,证明了支持向量机在人耳识别技术中应用的可行性。