Joint variable frame rate and length analysis for speech recognition under adverse conditions

This paper presents a method that combines variable frame length and rate analysis for speech recognition in noisy environments, together with an investigation of the effect of different frame lengths on speech recognition performance. The method adopts frame selection using an a posteriori signal-to-noise (SNR) ratio weighted energy distance and increases the length of the selected frames, according to the number of non-selected preceding frames. It assigns a higher frame rate and a normal frame length to a rapidly changing and high SNR region of a speech signal, and a lower frame rate and an increased frame length to a steady or low SNR region. The speech recognition results show that the proposed variable frame rate and length method outperforms fixed frame rate and length analysis, as well as standalone variable frame rate analysis in terms of noise-robustness.     

Hybrid neural network and genetic algorithm based machining feature recognition

In this research, neural networks (NNs) and genetic algorithms (GAs) are used together in a hybrid approach to reduce the computational complexity of feature recognition problem. The proposed approach combines the characteristics of evolutionary technique and NN to overcome the shortcomings of feature recognition problem. Consideration is given to reduce the computational complexity of network with specific interest to design the optimum network architecture using GA input selection approach. In order to evaluate the performance of the proposed system, experimental results are compared with previous NN based feature recognition research.     

结合发音特征的动态贝叶斯网络语音识别模型

构建了一种新的基于动态贝叶斯网络（Dynamic Bayesian Network,DBN）的异步整词-发音特征语音识别模型AWA-DBN（每个词由其发音特征的运动来描述）,定义了各发音特征节点及异步检查节点的条件概率分布。在标准数字语音库Aurora5.0上的语音识别实验表明,与整词-状态DBN（WS-DBN,每个词由固定个数的整词状态构成）和整词-音素DBN（WP-DBN,每个词由其对应的音素序列构成）模型相比,WS-DBN模型虽然具有最高的识别率,但其只适用于小词汇量孤立词语音识别,AWA-DBN和WP-DBN可以为大词汇量连续语音建模,而AWA-DBN模型比WP-DBN模型具有更高的语音识别率和系统鲁棒性。     

基于Bayes与多层Bayes估计的WSN链路选择算法

无线传感器网络（WSN）节点能量有限,采用传统的链路选择的方法（经验法）进行链路选择,需要发送大量的数据包作为测试样本,这在WSN中是不合适的。设计了两种基于Bayes估计与一种基于多层Bayes估计的WSN链路选择算法,分别记为BLSP-B1、BLSP-B2、BLSP-HE。仿真实验发现,在小样本的条件下,BLSP-B1、BLSP-B2、BLSP-HE选择高质量的链路的概率比经验法要高出10%～20%,其中BLSP-HE算法最稳健,性能较好。     

基于可变染色体长度的遗传K均值聚类算法

针对传统K-均值聚类算法需要事先确定聚类数,以及对初始质心的选择具有敏感性,从而容易陷入局部极值点的缺点,使用了一种基于可变染色体编码长度的遗传算法对传统K-均值聚类进行改进.该算法可以在事先不确定K值的情况下,通过多次的选择、交叉.变异的遗传操作,最终得到最优的聚类数,以及最优的初始质心集.通过Reuters数据集的实验结果表明,基于该算法的聚类划分结果明显优于传统K-均值聚类算法,并且好过基于固定染色体编码长度遗传算法的K-均值聚类算法.     

基于改进遗传算法的神经网络手写体数字识别

BP网络作为人工神经网络的重要分支,已经广泛应用于手写数字识别。然而BP神经网络存在训练时间长、易陷入局部最小的问题。为了克服这些问题,提出了一种改进的遗传算法,并用该算法来优化神经网络的权值和阈值。最后,利用基于该算法的神经网络对大量USPS手写数字样本集进行训练。实验结果表明,该算法比单纯的BP算法具有更快的识别速率。     

基于遗传算法和强化学习的贝叶斯网络结构学习算法

遗传算法是基于自然界中生物遗传规律的适应性原则对问题解空间进行搜寻和最优化的方法。贝叶斯网络是对不确定性知识进行建模、推理的主要方法,Bayesian网中的学习问题(参数学习与结构学习)是个NP-hard问题。强化学习是利用新顺序数据来更新学习结果的在线学习方法。介绍了利用强化学习指导遗传算法,实现对贝叶斯网结构进行有效学习。     

遗传算法与BP神经网络相结合的说话人识别系统

基于BP神经网络的说话人识别系统是目前说话人识别中的一种主要模型,但BP神经网络通常难以确定隐含层单元的数目,且收敛速度慢。针对此缺点,提出了一种基于遗传算法（GA）的说话人识别BP神经网络优化方案,该方案利用混合编码的GA对神经网络的连接权和结构进行了优化,可以有效地剔除整个网络冗余节点和冗余连接权,方案利用了BP神经网络的并行性和GA的全局搜索能力,显著地改善了网络的处理能力。实验表明：基于混合编码GA的BP神经网络具有快速学习网络权重的能力,识别率高,是说话人识别的一种有效可行的新方案。     

基于增强粒神经网络的人脸识别算法

针对非限条件下人脸识别准确率较低的问题,提出一种基于粒神经网络（MNN）与遗传算法优化的人脸识别算法。对人脸库进行初始化分析决定每个粒子中人脸的分布,将同一复杂度级别的数据分为一组;将人脸分为额头、眼睛与嘴三个部分,粒神经网络采用不同数量的数据点对面部子区域进行训练,获得多个训练结果;设计了一种多级的遗传算法对粒神经网络进行优化。基于两组公开人脸数据库的对比实验结果表明,该算法的识别准确率优于其他人脸识别算法。     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

用分层循环遗传算法去识别生理信号情感状态

针对生理信号的情感识别问题,采用自适应分层式遗传算法方法对生理信号进行特征选择,能有效地解决特征组合优化问题。实验仿真表明,可以得到有效地特征组合来进行生理信号情感状态识别。     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

基于遗传算法和BP网络的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大.结合遗传算法的神经网络方法,充分利用GA的全局搜索能力、BP算法的局部搜索能力和鲁棒性强的特性,提出了一种用遗传算法全局优化神经网络拓扑结构和网络权值的新编码方案进行物体识别方法.仿真结果表明,该方法既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又加快GA.BP网络的收敛速度,提高收敛精度且识别率较高,从而验证了该方法的有效性.     

LEO卫星网QoS遗传算法路由协议

为了满足多媒体应用的QoS要求,卫星路由协议应该更有效地利用网络资源,提供更好的QoS保障。为此提出了一个基于遗传算法的LEO卫星网络QoS路由协议,称为遗传卫星路由协议（GSRP）。改进了新的操作函数,如适应度函数、终止函数,以及变异率和路由表。仿真结果表明,GSRP能够实现较少CBP和HBP的可靠的点对点时延约束,以及比传统的算法更有效的负载平衡。     

基于拓扑序列和量子遗传算法的贝叶斯网结构学习

贝叶斯网是处理不确定性问题知识表示和推理的最重要的理论模型之一,其结构学习是目前研究的一个热点。提出了一种基于拓扑序列和量子遗传算法的贝叶斯网结构学习算法,新算法首先利用量子信息的丰富性和量子计算的并行性,设计出基于量子染色体的拓扑序列生成策略提高了搜索效率,并为K2算法学得高质量的贝叶斯网结构提供了保障;然后采用带上下界的自适应量子变异策略,增强了种群的多样性,提高了算法的搜索能力。实验结果表明,与已有的一些算法相比,新算法不仅能获得较高质量的解,而且还有着较快的收敛速度。     

结合IGA和BP算法的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大。结合改进遗传算法的神经网络方法,采用将结构与误差结合的适应度函数,改进的遗传算子实现对BP网络结构和权值的同步优化。提出一种用改进遗传算法优化后的BP神经网络进行物体识别,并以提取的修正不变矩特征作为BP神经网络的输入,仿真结果表明该方法提高了识别的稳定性和收敛性能,并且识别率较高。从而验证了该方法的有效性。     

A decision support tool coupling a causal model and a multi-objective genetic algorithm

A significant class of decision making problems consists of choosing actions, to be carried out simultaneously, in order to achieve a trade-off between different objectives. When such decisions concern complex systems, decision support tools including formal methods of reasoning and probabilistic models are of noteworthy helpfulness. These models are often built through learning procedures, based on an available knowledge base. Nevertheless, in many fields of application (e.g. when dealing with complex political, economic and social systems), it is frequently not possible to determine the model automatically, and this must then largely be derived from the opinions and value judgements expressed by domain experts. The BayMODE decision support tool (Bayesian Multi Objective Decision Environment), which we describe in this paper, operates precisely in such contexts. The principal component of the program is a multi-objective Decision Network, where actions are executed simultaneously. If the noisy-OR assumptions are applicable, such a the model has a reasonably small number of parameters, even when actions are represented as non-binary variables. This makes the model building procedure accessible and easy. Moreover, BayMODE operates with a multi-objective approach, which provides the decision maker with a set of non-dominated solutions, computed using a multi-objective genetic algorithm. Ivan Blecic is Assistant Professor of Economic Appraisal and Evaluation at the Faculty of Architecture in Alghero (University of Sassari, Italy) and member of Interuniversity Laboratory of Analysis and Models for Planning (LAMP). He received a Ph.D. in Planning and Public Policies in 2005 from IUAV University of Venice where he has also been a research fellow at the Department of Planning. His current research interests include analysis and modelling for planning, evaluation techniques and modelling, decision support systems and methods for public participation. Arnaldo Cecchini graduated cum laude in Physics at the University of Bologna in 1972. He is Professor of Analysis of Urban Systems at the Faculty of Architecture in Alghero (University of Sassari), Director of the Urban and Environmental Planning Course, Vice-Dean of the Faculty of Architecture in Alghero and Director of the Interuniversity Laboratory of Analysis and Models for Planning - LAMP. He is the author of more than 100 articles and papers published in books and refereed journals and is an expert in techniques of urban analysis and for public participation: simulation, gaming simulation, cellular automata, scenario techniques. Giuseppe A. Trunfio gained a Ph.D. in Computational Mechanics in 1999 at the University of Calabria, Italy. He has been a research fellow at the Italian National Research Council where he has worked extensively on the application of parallel computing to the simulation of complex systems. He is Assistant Professor of Computer Engineering at the Department of Architecture and Planning of the University of Sassari and his current research interests include decision support, probabilistic models, neural networks, evolutionary computation and cellular automata.     

使用离散小波矩和遗传算法的目标识别

提出了一种连续小波矩的离散化算法,用于目标识别中的特征提取。因为可提取的小波矩数量较大,为简化分类器的设计,进一步提出了利用遗传算法（GA）进行自动的特征优化选择。仿真实验表明了离散小波矩的旋转不变性。基于瑞士联邦理工学院计算机视觉实验室的Obj_DB物体数据库,进一步测试了识别性能。结果表明,方法对任意选择的12个物体达到了100%识别率,优于无特征选择的方法和Hu矩特征方法。     

基于变长基因型遗传算法的多供应点应急物资调度优化

如何及时高效地调度应急物资以减小突发事件带来的伤害成为社会关注的焦点问题。在综合考虑新冠肺炎疫情这类特殊突发事件特点的前提下,构建了一类多供应点多式联运应急物资调度网络,并以运输成本最低、时间惩罚最少、配送员被感染风险最小为优化目标建立了一类多目标调度优化模型。考虑到基于聚类思想的优化算法在解决多供应点,尤其是多目标调度优化问题中缩减可行域方法科学性存疑的局限性,提出了一类考虑完全可行域思想的变长基因型混合小生境遗传算法,并借助23个基准测试实例验证了这一算法的有效性,更新了部分实例的现有最优解。在此基础上,通过比较多供应点应急物资多式联运算例中四类遗传算法的仿真结果进一步验证了混合小生境等改进策略的优越性。     

基于遗传算法和小波神经网络的语音识别研究

小波神经网络算法(WNN)易陷入局部极小,收敛速度慢,全局搜索能力弱,而遗传算法(GA)具有高度并行、随机、自适应搜索性能和全局寻优的特点。因此,将遗传算法和小波神经网络结合起来形成一种训练神经网络的混合算法——GA-WNN算法。仿真实验结果表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。