深度语音信号与信息处理：研究进展与展望

论文首先对深度学习进行简要的介绍,然后就其在语音信号与信息处理研究领域的主要研究方向,包括语音识别、语音合成、语音增强的研究进展进行了详细的介绍。语音识别方向主要介绍了基于深度神经网络的语音声学建模、大数据下的模型训练和说话人自适应技术;语音合成方向主要介绍了基于深度学习模型的若干语音合成方法;语音增强方向主要介绍了基于深度神经网络的若干典型语音增强方案。论文的最后我们对深度学习在语音信与信息处理领域的未来可能的研究热点进行展望。     

基于负相关神经网络集成算法及其应用的研究

传统的神经网络集成中各子网络之间的相关性较大,从而影响集成的泛化能力.为此,提出用负相关学习算法来训练神经网络集成,以增加子网络间的差异度,从而提高集成的泛化能力.并将基于负相关学习法的神经网络集成应用于中医舌诊诊断,以肝病病证诊断进行仿真.实验结果表明:基于负相关学习法的神经网络集成比单个子网和传统神经网络集成更能有效地提高其泛化能力.因此,基于负相关神经网络集成算法的研究是可行的、有效的.     

非受控学习法与受控学习法相结合的神经网络模型

本文提出一种非受控学习法与受控学习法的图象识别神经网络。这是一种分层式自组织变换网络。它首先用非受控学习法加以训练。当该，当能识别一些相似的图形时，再运用受控地对其加以训练，对各种不同特征赋予不同的标量系数，使之能对相类似的图象进行识别。仿真结果表明，该模型具有较佳生成能力，对相似图象的识别率也很高。     

基于广义径向基函数的神经网络分类预测

径向基函数网络是神经网络中一种广泛使用的设计方法.它把神经网络的设计看作是一个高维空间的曲线逼近问题.相对于其他的神经网络方法.径向基函数神经网络除了具有一般神经网络的优点,如多维非线性映射能力、泛化能力、并行信息处理能力等,还具有很强的聚类分析能力,学习算法简单方便等优点.针对一个实际分类问题,利用广义径向基函数网络的思想训练一个网络并实现对测试数据集的分类预测.本算法采用k-均值聚类算法训练广义径向基函数网络中心,使用奇异值分解计算输出层权值.对该网络的实现细节及待改进之处进行简要分析.实验表明广义径向基函数神经网络的思想具有很强的聚类分析能力,学习算法简单方便等优点.     

一种用于视觉模式识别并能自学习和推理的神经网络

本文提出一种用于模式识别，并具有逻辑推理及自学习能力的神经网络模型。该模型是自适应揄网络（ＡＩＮＥＴ）属于一种前馈式神经网络，它由两种类型的连接组成，可通过反向传播算法进行训练。该模型有四个主要特征；逻辑推进能力、通过自学习采集知识、利用专家知识改善用结果解释能力。本文首先描述网络的结构和性能、自学习的方法和其它特征，然后再介绍使用该神经网络的一种复合型图象识别模型。该模型由两个阶段组成；特征抽取     

神经网络的学习误差函数及泛化能力

用于训练神经网络的样本点集不可避免地会受到噪声污染。利用神经网络的概率描述,通过研究Ｋ－Ｌ信息和神经网络泛化能力的关系,构造一个新的神经网络学习误差函数。泛化能力分析和仿真结果表明了该学习误差函数的合理性。     

模糊层次神经网络的学习算法

该文基于模糊层次神经网络模型,提出了模糊层次神经网络的比例学习算法。模拟结果表明利用该算法训练的模糊层次神经网络具有较好的非逻辑归纳能力和特征抽取能力,并且学习速度也大大加快。     

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

基于学习矢量量化算法的财务失败预测研究

实现有效的财务失败预测对于银行、投资者、企业和政府管理机构来说具有重要的意义，因而相关研究一直在金融信息处理领域中备受关注。近年来，神经网络方法被引入该领域并成为新的研究热点。文中分别利用160家和384家公司的财务数据作为训练集和测试集，首次将学习矢量量化(LVQ)算法应用至中国上市公司的财务失败预测模型的构建．井与传统的BP神经网络、对数回归模型、C4．5决策树等方法进行了实证分析比较。研究结果表明学习矢量量化算法与这些传统方法相比具有更高的预测精度，在此领域有着良好的应用前景。     

连续学习混沌神经网络的研究

近几年混沌神经网络在信息处理，特别是联想记忆中的应用得到了极大重视。本文提出了一个改进的连续学习混沌神经网络(MSLCNN)模型，它具有两个重要特征：(1)根据不同的输入，神经网络做出不同的响应，可从已知模式来识别未知模式；(2)可连续学习未知模式。计算机仿真表明我们的模型具有应用潜力。     

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统。该系统进行汉字图象的预处理后 ,针对汉字平移、旋转、尺度变化 ,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入。神经网络采用叠层BP网 ,用BP算法进行训练、学习和识别。本系统对标准BP算法做了若干改进 ,从速度和识别率上都得到了明显的提高 ;用PVM网络并行平台虚拟成并行机 ,实现叠层BP网的并行处理     

基于GIS和BP神经网络的地质灾害风险评价系统

就建立基于GIS和BP神经网络的地质灾害评价系统的理论可行性进行了分析,并对系统的设计思想和架构进行了讨论,系统将发挥GIS强大的空间信息可视化管理和分析功能以及神经网络的非线性描述和分析功能,实现地质灾害危险性评价的可视化管理。     

基于BP 神经网络的车祸库预警技术

针对如何有效预测车祸发生的可能性,从而达到车祸预警的目的,提出了一种新的车祸预警方法：通过建立车辆的车祸库,并结合BP神经网络技术达到车祸库预警目的。先构建合适的BP神经网络,再用车祸特征信息训练BP神经网络,训练好的BP神经网络就具有判断发生该类型车祸可能性的能力,最后把车辆行驶信息输入到已训练好的BP神经网络,就可以预测发生该类型车祸的可能性。用Matlab7．0．1进行了该方法的仿真实验,仿真结果表明该方法具有一定的可行性和有效性。     

基于BP神经网络的数据融合方法

数据融合技术是一种用途广泛的数字信号及信息处理方法,它通过对大量的数据进行处理提纯,得到一组直观有效的数据,为进一步处理和判断控制提供精确的数据依据。本文通过分析比较,验证了BP神经网络数据融合方法在发动机的多套冗余数据融合处理中的可行性和效果。实践表明:神经网络BP算法数据融合方法可有效提高数据的可信度。     

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法,BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

神经网络在彩色图像压缩中的应用

文中旨在提出一种基于神经网络的图像压缩算法对彩色图像信息进行处理,从而减少大规模彩色图像的冗余度,方便其传输、存储及加密等。该算法通过将BP（Back Propagation）神经网络用于彩色图像压缩,利用其多层前馈网络的模式变化能力,实现了对由RGB编码得到的彩色图像数字矩阵进行的压缩编码。经Matlab仿真实验表明,该算法具有良好的压缩效果,且与灰度编码下的图像压缩结果对比,具有更好的压缩效率及保真效果,并能有效地保留原彩色图像的色彩信息,能够满足彩色图像压缩处理的要求。     

神经网络的C编程及矿井安全预测仿真

通过对人工神经网络BP模型基本原理和学习算法的分析,建立以模拟人的大脑神经处理信息的方式,进行信息并行处理和非线性转换的预测模型,使用C语言编制了BP网络学习的算法程序,在矿井瓦斯涌出量仿真实例中,用训练成功的网络分别对训练样本进行计算,预测仿真矿井的瓦斯涌出量,为矿井安全生产提供科学依据。     

专家神经网络的构造研究

专家神经网络是由专家系统产生出的事件驱动无环路神经对象网络。这些神经对象处理信息的非线性复合函数比正常的神经网络结点处理器更复杂。本文研究了无环路网络的ＢＰ学习算法,这一算法将传统ＢＰ算法与专家神经网络特征结合起来,提供了一种获取知识的方法。     

基于D-S证据理论和BP神经网络的多传感器信息融合

针对多传感器信息融合的基本可信度分配在实际应用中难以解决的问题,提出了一种基于D-S证据理论与BP网络相结合的多传感器信息融合的改进方法。该方法充分发挥BP神经网络自学习、自适应和容错的能力,利用BP神经网络处理证据理论的基本可信度问题,再利用D-S证据理论来处理不精确、模糊的信息。最后通过一个实例证明了该方法的有效性。