一种基于SDTS的HMM训练算法

用传统的BW算法训练语音识别系统的HMM需要大量的语音数据。本文在假设声学模型系统的子空间捆绑结构(SDTS)为己知的前提下,提出了一种新的训练算法,可以有效地减少系统对训练数据的需求。理论分析和仿真表明,与传统的BW算法比较,新的训练算法(IBW)可压缩模型参数15倍,从而可大量地减少训练数据。尽管新算法要用到系统的先验知识,但它还是显示了许多优越性。     

基于HMM和匹配追踪的多参数语音识别

本文提出了一种基于HMM和匹配追踪的多参数语音识别新算法。首先构建局部余弦基表示语音信号,对其进行匹配追踪(MP)分解。然后,应用改进后的算法对语音信号进行特征提取,得到余弦基原子参数和魏格纳-维利(WVD)分布,并结合语音信号的美尔频率倒谱系数(MFCC)一起作为该信号的特征向量,通过隐马尔科夫模型(HMM)进行识别。最后通过实验验证了方法的有效性,仿真实验表明,改进后的多参数语音识别算法比仅使用MFCC作为特征向量的HMM算法,提高了语音识别的速度和准确度。     

基于TMS320C54x DSP的实时语音识别系统

介绍一个非特定人、小词汇表、孤立词的语音识别系统,它采用基于隐马尔可夫随机模型（HMM）的语音信号端点检测方法和基于VQ/HMM的自学习语音识别算法,同时以高速的TMS320C54xDSP芯片为核心进行硬件设计,实现语音的实时识别。     

一种新的HBT小信号模型参数优化提取法

阐述了一种新的异质结双极型晶体管（HBT）的小信号模型参数提取方法――综合多偏置点优化参数提取法. 对HBT小信号模型进行推导并确定外部参数和内部参数的计算公式;介绍了多偏置点优化算法,并在GaInP/ GaAs HBT器件上进行了鲁棒性和精确性测试. 实验采用了一系列随机初始值,结果表明提取的参数值具有唯一收敛性和精确性,仿真结果与测量数据的相对误差小于1%.     

隐相空间的DUPSO-RPSOVF语音预测模型研究

提出了一种基于二阶Volterra级数的语音信号非线性预测模型.为克服传统的最小均方（Least Mean Square,LMS）算法在模型核系数更新时的固有缺点,引入耗散均匀搜索粒子群优化算法（Dissipative Uniform Particle Swarm Optimization,DUPSO）求解核系数,并构建了DUPSO-SOVF预测模型;为避免传统方法中相空间的重构过程,构建了隐相空间DUPSO-SOVF预测模型,在求解模型核系数时动态地求解出最优嵌入维数和延迟时间;为降低模型复杂度,在误差允许范围内进行模型关键项的提取,从而减少了核系数个数,构建了少参数的DUPSO-RPSOVF（Reduced Parameter SOVF,RPSOVF）预测模型.将英语音素、单词和短语作为实验样本数据进行仿真,结果表明：隐相空间DUPSO-SOVF模型能够准确的计算出相空间重构参数,DUPSO-SOVF和DUPSO-RPSOVF两种预测模型对单帧和多帧语音信号均具有较高的预测精度,优于PSO-SOVF和LMS-SOVF预测模型,并且能够很好地反映语音序列变化的趋势和规律,可以满足语音序列预测的要求.     

基于CHMM的语音识别仿真系统实现

介绍了一种基于连续M元高斯混合密度的隐马尔可夫模型（HMM）的非特定人孤立词语音识别仿真系统。通过研究模型状态数、训练时间以及特征参数选取对语音识别率的影响,得出HMM状态数取4,训练次数为20次,特征参数选取48维LPCC和MFCC的混合参数,可使语音识别系统对于汉语孤立词的识别率达到90％。     

基于HMM状态聚类均值替代的宽带语音ISF参数补偿算法

宽带语音在Internet传输中不可避免会出现丢帧现象,由于错误传播的影响,使接收语音质量急剧下降。该文采取大型连续分布隐马尔可夫模型(LCDHMM)对宽带语音ISF参数建模,采用Viterbi算法确定丢失帧之前若干语音帧ISF参数观察值的最佳状态序列。由于状态的冗余度较大,用丢帧前最近接收的正确帧ISF参数的HMM状态对应的聚类均值和真实值的加权,代替丢失帧的ISF参数值。将采取该算法的补偿语音和采取G.722.2标准附件I所提算法的补偿语音进行比较,仿真结果表明该算法具有较好的补偿效果,其波形与谱失真更小。     

一种基于Kriging模型和受限差分进化的电磁结构快速优化算法

进化算法在各类电磁结构优化设计中有着广泛的应用，但由于需要在参数空间中进行随机搜索并仿真试探，优化效率普遍较低.针对这一问题，提出受限差分进化（Differential Evolution，DE）算法与Kriging代理模型相结合的电磁结构快速优化算法.算法根据参考设计结果建立圆柱管道空间，通过参数变换将进化区域限制在管道内部.Kriging模型学习管道内样本及其仿真数据，代替电磁仿真快速预测进化产生下一代种群的响应.相比整个参数空间，该算法DE寻优和Kriging学习的区域被显著减小，优化效率得到提升.通过一个波导双孔定向耦合器的优化设计，表明该方法的求解质量和收敛速度优于现有算法.     

小波分析和粒子群优化神经网络的语音端点检测

为了提高语音端点检测的适应性和鲁棒性,提出一种小波分析和粒子群优化神经网络（WA -PSO -BP）的语音端点检测算法。首先利用小波分析提取语音信号的特征量,然后将特征量作为输入BP神经网络进行学习,并采用粒子群算法优化BP神经网络参数,从而建立语音端检测模型。仿真结果表明,WA -PSO -BP提高了语音端点检测正确率,有效降低了虚检率和漏检率。这说明WA -PSO -BP是一种可行性较高,环境适应性较强的语音检测算法。     

一种新的HMM训练方法

本文是对HMM最大距离训练方法的一种改进,该方法采用了更合理的模型距离定义,能更有效地利用训练数据集中的区别信息,使有限的训练数据得到更好的应用,达到提高语音识别系统性能的目的.导出了HMM模型参数的迭代公式.基于TIMIT数据库的非连续语音及连续语音实验结果表明,改进训练方法在降低错识率上较原来的方法有明显改善.     

基于状态码本的准连续隐马尔可夫模型

本文针对经典HMM模型对训练数据要求多且算法复杂的问题，提出了一种改进的模型一基于状态码本的准连续HMM模型（SCBHMM），该模型在有限训练数据的条件下能更加有效地描述语音信号的声学特征．通过将状态转移概率与动态谱变化量相关联，使得SCBHMM能有效地将语音信号的静态特征和动态特征相结合．通过在标准语音数据库USTC94上的大量实验表明了SCBHMM在汉语音节识别中的有效性，它缓减了模型对训练数据的要求，并大大降低了训练、识别的计算量，但同样取得了相当高的识别率．     

GaAs MESFET大信号模型参数的计算机提取

利用GaAs MESFET的小信号S参数及瞬态I—V特性的测量数据,建立了GaAsMESFET的大信号分析模型,编制计算机程序,进行了参数拟合并比较了GaAs MESFET两种非线性模型的适用范围,使用分步优化的方法拟合GaAs MESFET小信号S参数,获取了大信号模型中的线性参数,非线性参数值利用最小二乘法及直接优化法相结合的算法提取。为非线性电路、功率放大器、混频器、振荡器提取了准确的设计参数。     

基于HMM和PNN的混合语音识别模型

基于隐马尔可夫模型(HMM)和改进后的概率神经网络(PNN)模型提出了一种用于语音识别的混合模型,该模型首先利用HMM生成最佳语音状态序列,然后对最佳状态序列进行时间规整,最后通过PNN神经网络进行分类识别。给出了HMM参数训练及时间规整的算法。实验结果表明这种模型比HMM具有更好的识别效果。     

基于稀疏恢复的循环平稳信号DOA估计

基于信号稀疏恢复的思想,提出了一种新的循环非相关平稳信号DOA估计算法.首先,对阵列的二阶循环互相关矩阵矢量化,并将感兴趣的空间划分成若干段以构造过完备的方向矩阵,从而得到基于Khatri-Rao积的稀疏模型;其次,利用凸优化技术对稀疏模型进行优化求解,并根据恢复得到的稀疏信号中非零元素的位置估计出高精度的DOA值.与传统的循环互相关算法比较,本文算法具有更高的DOA估计精度,同时也适用于信号个数多于阵元个数的场合.理论分析和仿真实验结果都验证了算法的有效性.     

基于优化GA-BP神经网络的金融产品营销预测

传统BP神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷,为了改进BP神经网络模型的应用缺陷,提出优化GA-BP算法,通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程,并且为了验证模型的可行性,以某银行短期理财产品营销的客户历史数据作为实证研究对象,并通过与BP神经网络模型的对比实验,验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算,可以更精确地预测未来营销结果。     

基于粒子群算法的钻进参数多目标优化

为了使钻进过程达到最优,提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA-Ⅱ,提出了一种多目标粒子群算法(MOPSO)。采用一个钻进参数优化实例对优化模型和算法进行检验,得到分布均匀的Pareto最优解,一些最优解与传统的钻进参数单目标优化的解近似;讨论了算法中的种群规模、迭代次数和外部档案规模三个参数,得到一组兼顾解质量和计算时间的参数值,其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。     

认知网络中基于数据冲突的帧结构优化

在主用户数据流量的指数分布模型基础上,考虑认知用户和主用户之间必然存在的数据冲突的影响,基于认知网络有效数据吞吐量的最大化准则,建立了认知网络帧结构参数中感知周期与检测时间的联合优化模型。鉴于理论证明的困境,通过基于Armijo非精确线搜索的最速下降算法求得了优化模型的全局最优解,结果验证了优化模型的有效性,实现了认知网络的数据吞吐量与帧结构的折衷优化。搜索算法的结果与同时给出的理论数值仿真是一致的。     

一种DHMM的混合训练方法

隐马尔柯夫模型(HMM)作为描述语音信号的一个工具,按输出概率分布的不同,可分为连续HMM(CHMM)和离散HMM(DHMM).经典的训练方法Baum-Welch算法虽然收敛迅速,但是这类基于爬山的算法只能取得局部最优解,从而影响了系统的识别率.对于CHMM,借助于分类K平均方法可以取得可靠的初始点以保证迅速准确的收敛.而对于DHMM,该方法收益不大,最终所得的仍是局部最优解.由于进化计算一个最重要的特点便是全局搜索,这样可得全局最优解或次优解.本文将进化计算应用到DHMM的训练中,提出了一个把传统算法和进化计算相结合的混合算法.实验结果表明该方法既保证了全局搜索又实现了快速收敛,最终所得的模型优于传统方法和简单进化计算方法.     

一种有效的语音信号盲分离方法

频域盲语音信号分离存在着排序模糊问题,提出一种基于相邻频点幅度相关和DOA估计相结合的解排序模糊方法,并且通过对一系列预处理（白化）、独立分量分析和后处理算法的优化和有机组合,很好地实现了卷积混合语音信号的盲分离。用真实录制的语音信号进行了仿真实验,恢复出来的源信号的信干比较分离之前提高了约13dB,证明了算法的有效性。     

基于部分平行ADMM求解谱寻求问题的时频分析

经典的非参数谱分析方法使用滑动窗口来捕捉大多数时间序列的频谱特性,然而这种方法不能很好地应用在时间序列的时频谱是时间连续的信号上.对于一些其时频谱满足时间连续频率稀疏的非平稳信号,提出了一种利用部分平行交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）求解谱寻求问题用于此类信号的时频分析方法.对一段加噪声的仿真信号和一段EEG（脑电）信号使用提出的方法进行时频分析.仿真结果表明：与短时傅里叶的分析方法相比,提出的方法不仅提高了时频谱的频率分辨率和时间分辨率,还有效抑制了噪声.最后从ADMM算法停止准则的角度说明了算法的收敛.