语音识别中基于SFCM模糊聚类的矢量量化方法

模糊聚类分析算法用隶属度确定样本所属类别,因其良好的效果而被广泛用于语音识别领域。文中提出了一种模糊聚类分析算法ＳＦＣＭ,并将其用于语音特征的矢量量化,最终形成码本尺寸为１２８的码本,用ＳＦＣＭ算法得到的码本分布合理,没有空类。采用此码本的误音识别实验表明了这种量化方法对语音识别的有效性。     

模糊聚类分析在数据挖掘中的应用研究

数据挖掘是从大量数据中用平凡的方法发现有用的知识。聚类分析是数据挖掘的一个重要研究领域,它是按照一定的要求和规律将事物进行分类的一种数学方法。随着模糊数学的兴起,用精确的数学的方法研究模糊问题,人们逐渐将精确和模糊统一起来。论文将模糊数学的模糊理论应用于数据挖掘的聚类分析中,讨论了如何利用样本之间的模糊关系分析样本之间的关联程度,给出了模糊聚类分析在数据挖掘中的应用的主要步骤,以及相应的实例分析和程序设计。     

模糊聚类分析程序

模糊聚类分析是从模糊关系矩阵出发，而关系矩阵是根据主观评定的隶属函数构成的。本程序要解决的问题是对实际中收集到的数据进行预处理，以便构造模糊关系矩阵，然后使用“最大树”方法对矩阵进行分析，按人为输入不同的截集值，对模糊集合进行分类，最后输出分类结果。模糊聚类分析在实际中应用很广泛，目前已在选矿、气象、地震、林业、环境科学等方面取得成效。三计算原理设有N个分类对象，K个参考因素，构成如下矩阵：1．计算每个参考因素的平均值2．计算标准差3．计算标准化值4计算标准值上述得到的值不一定在[0，1]闭区间内，为此…     

模糊聚类分析方法在IT市场预测分析中的应用

研究模糊逻辑和聚类分析在IT市场中的预测分析问题。模糊聚类分析是一种应用广泛的模糊数学方法,可广泛应用于各个领域。IT市场各类信息产品的价格行情是瞬息万变的。如何对市场做出及时、准确的判断和决策成为个IT公司重点关心的问题。本文首先阐述了模糊聚类分析的基本思想和一般的步骤,然后采用模糊聚类分析方法对笔记本市场进行有效的分类。结果表明模糊聚类分析法对IT市场预测分析准确、有效,且比其他方法预测的更接近实际的市场行情。     

模糊聚类分析及其在信息检索中的应用

本文集中介绍了如何从文本数据中获取信息。典型的文本查询问题是基于用户的输入来定位相关的文本,而文本的相关性是个模糊的概念。为了对这个模糊的概念以客观的度量,我们通过模糊聚类分析,计算出文本间的相关度。最后用一个实例加以说明,得到了比较客观的结果。     

模糊神经网络语音数据融合算法的研究

针对高嗓音环境中的语音识别问题，提出一种利用模糊神经网络进行语音数据融合的新算法。该算法按一定模糊规则对语音信号的特征参数进行模糊化，并通过神经网络对每个传感器语音信号的模糊特征参数进行分类和融合。仿真实验表明，该算法鲁棒性更强；与单传感器算法相比，语音识别率得到较大的提高。     

模糊 RBF 神经网络在语音识别中的应用

常规RBF神经网络的隐层一般采用高斯函数,然而任意输入对于中心点的隶属程度并不总是服从高斯分布,将模糊理论引入常规的RBF神经网络对其进行改进,用任意输入模式与各类中心的隶属度来替代原有的径向基函数输出。实验结果表明改进后的模糊RBF神经网络识别率得到了提高。     

一种基于能量聚类分析的句子语音端点检测法

针对语音复读系统等背景噪声相对较小且稳定的实际应用环境,提出一种改进的基于时域分析的句子语音端点检测算法。因为在此类应用环境中,对句子语音端点检测的干扰因素较少,且一般需要实现快速的句子语音端点检测。因此,简化了所要使用的语音特征参数,不再使用时域分析中常用的过零率,仅使用语音信号能量特征值辅以聚类分析完成语音端点检测。实验表明,本算法简化了端点检测的过程,可以便捷有效地检测出句子中的语音端点。     

化学元素的模糊聚类分析

选用化学元素的密度、半径、燃烧焓、熔点、沸点、电负性及导热系数７个理化参数，运用系统模糊聚类分析方法，对化学元素周期表中的５０个元素进行了分类。分类结果大多与传统周期表匹配，但也表现出按外层电子结构排布规律所不能解释的现象，如锰为独立一组：Ｂｅ、Ｓｉ、ＡＩ为一组，Ｓi具有较明显的金属性等。     

改进的T-S模糊神经网络在语音识别中的应用

给出一种改进的具有四层网络结构的T-S模糊神经网络算法,通过在隶属度上加入一个与输入维数有关的补偿因子,使其能够应用到语音识别系统中,并解决了由输入维数过大而引起的规则灾问题。实验结果表明改进的T-S模糊神经网络能够应用于语音识别系统,同时表明该网络的识别率比RBF网络高,并且鲁棒性较好。     

融合模糊认知图用于语音情感识别

模糊认知图（Fuzzy Cognitive Map,FCM）作为一种图分析方法已在数据分类方面得到应用,为了提高其在语音情感识别中的分类精度,提出了融合FCM的方法。其中包括特征级融合和决策级融合两种方式。详细分析了这两种方式并提出将传统的模糊认知图的数值型输出转化为概率型输出,为不同特征提供了统一范围的初级识别结果。在此基础上,提出了自适应权值决策级融合方法。该方法充分考虑了分类器对不同特征的识别准确率差异。实验证明,提出的融合FCM方法相较于单一特征和单一分类器,具有更优的分类性能,同时大大降低了情感间的混淆程度。     

数据挖掘中的模糊聚类分析

该文提出了一种用于数据挖掘的基于模糊集的聚类分析方法,论述了该方法的聚类过程,并给出了聚类分析的实例和程序模块流程。     

模糊聚类分析及其在数据挖掘中的应用

分析了常用的数据挖掘方法，在数据挖掘中引入了模糊聚类分析的方法，分析了该方法在数据挖掘中的优势，并以例证说明这一方法的实际应用。     

基于模糊支持向量机的语音识别方法

通过计算输入样本的模糊隶属度,探讨了模糊支持向量机（FSVM）的原理,应用其对语音信号进行识别。并和RBF神经网络、支持向量机（SVM）的识别效果进行了比较。在仿真实验中,采用小波分析方法提取语音特征向量,识别结果表明,SVM和FSVM比RBF网络具有较好的泛化性能,训练时间也大大缩减。此外,FSVM比SVM有更强的抵抗噪声的能力。     

基于模糊稀疏度的聚类分析

本文简要评价了模糊聚类分析中常用的两种方法：λ截集聚类法和模糊ＩＳＯＤ－ＡＴＡ聚类法，指出了它们在应用方面的一些局限性，据此提出了一种基于模糊稀疏度的聚类技术－ＳＢＣＴ法。其中，改进了贴近度的概念，提出了用于衡量模糊幂集中模糊子集分布状况的稀疏度概念。     

分级语音识别研究

分级识别的策略在模式识别领域中提出相当长的时间了。尽管人类可以训练地使用这个策略进行识别,但对语音识别而言,缺少一个有效的系统化的方法来实现它。本文给出了我们最近在这方面做的一些研究工作,使用了子空间划分原理来实现一个分级识别器,并用树型结构来组织多个识别器。实验结果表明,该方法与传统方法相比,误识率降低10%。我们将在未来的研究工作中,测试全部汉语音节,并将该方法扩展到连续语音识别。     

基于模糊聚类神经网络的语音识别方法

提出了一种基于模糊神经网络的语音识别方法.该方法以模糊系统模型为基础,利用改进的模糊聚类辨识算法,构成一种新型的模糊聚类神经网络（FCNN）,并将其作为概率密度函数的估计器,对每个状态的输出进行预测.它不仅能有效地在语音识别中引入帧间相关信息,而且能克服状态输出概率密度函数为混合高斯分布的束缚.通过对非特定人汉语孤立词和连续音节的语音识别实验,证实了该方法的有效性.     

基于语音流畅度与模糊聚类的精神分裂症自动识别

针对精神分裂症诊断周期长、缺乏客观诊断依据的问题,提出语音流畅度矩形参数过能熵积,结合模糊聚类双重定位停顿区域的算法辅助诊断精神分裂症.该算法综合了精神分裂症患者语音流畅度低及能量平缓的特征,定位精神分裂症语音的停顿区域,提出语音流畅度量化参数提取算法,结合SVM(支持向量机)分类器,实现精神分裂症的自动识别.提取28例精神分裂症患者和28例正常对照组语音的流畅度声学特征,自动识别精神分裂症,正确率为85％以上.提出的基于过能熵积与模糊聚类的精神分裂症自动识别算法,能为临床诊断精神分裂症提供客观、有效、无创的辅助依据.