汉语普通话声母的分类与识别

本文提出了一种实时高效的汉语声母识别新方法。采用声母二次识别的策略, 即先用五个时域特征参量将声母分类, 然后用语音分布知识及模板匹配法对类内元素进一步进行处理以最后确定识别结果, 这种新方法已应用于基于声、韵识别的汉语声控打字机, 它也适合于不认人识别系统, 本方案已在IBM PC/XT、286等机上实现, 经训练识别率可达95%以上。     

基于语音自动评测的普通话学习系统研究

学习汉语普通话的外国人越来越多,对外汉语教师的师资力量的匮乏,严重制约了对外汉语教学的发展.针对希望进一步掌握普通话口语学习的外国学习者,该研究提出了一种普通话游戏学习系统.本系统的学习模式结合了计算机技术和语言学研究成果,打破了传统的教学模式的限制,对学习者进行实时评测,提供学习报告与口语学习的最终评定结果.结果表明,该系统能够较为有效地辅助外国学习者的普通话口语学习.     

中文普通话电话语音数据库的研制

叙述了“中文普通话电话语音数据库”的开发背景和设计，着重介绍了语音数据库的内容、结构和特点。     

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。     

基于两级BP模型的普通话声调识别系统

普通话声调识别参数除常用的基音轮廓外,基音的一阶差分、能量及能量的一阶差分等也具一定的声调特征。实验结果表明:如果将各种参数同时作为一个BP模型的输入参数,声调识别率不但没有提高,反而显著下降,因此,该文提出了将各种参数分别训练一个各自的BP网络,再将这些网络的输出作为另一高层BP网络的输入的普通话声调识别方法。另外,针对上声的特点提出了一种改进的基音平滑算法。这些方法的运用使系统的声调识别率达到90.05%。     

基于能量和浊音特性的语音端点检测

论文提出一种适用于实际噪声环境的语音端点检测算法,并将其用于语音识别系统中。首先通过跟踪平稳噪声能量,检测能量变化非平稳的信号;然后在这段信号中根据浊音特性搜索并跟踪谐波,确定浊音的位置;最后结合能量和浊音信息检测语音的精确起止点。实验证明,该算法能在多种环境噪声中保持稳定可靠的性能。     

DTZH1505：大规模开源中文普通话语音库

近年来,深度学习在语音识别领域取得了突破性进展,并推动语音识别技术广泛应用到人们的日常生活中。语音识别模型的进一步优化需要更大规模标定数据的驱动,然而,目前开源的语音数据集规模仍太小,语料多为偏向书面用语的新闻类长文本。针对人机交互、智能客服等热门语音识别应用,通过众包模式采集朗读式语音,构建并开源了迄今为止最大规模的中文普通话语音数据集DTZH1505。数据集记录了6?408位来自中国八大方言地域、33个省份的说话人的自然语音,时长达1?505?h,语料内容涵盖社交聊天、人机交互、智能客服以及车载命令等,可广泛用于语料库语言学、会话分析、语音识别、说话人识别等研究。开展一系列基准语音识别实验,实验结果表明：相较于同规模中文语音数据集aishell2,基于此数据集训练的语音识别模型效果更好。     

普通话测试语音信息库的设计与实现

每年的国家普通话测试,都留下普通话测试的相关信息。为了有效利用这些信息,建立了普通话测试语音信息库,实现了信息录入、信息查询、数据统计、权限管理等多种功能。为了实现最小到音节的录音语料查询,信息库利用HTK进行音频文件的自动切分处理。普通话测试语音信息库可方便地用于包括测试录音语料在内的各种资料的调用和各种关联数据的统计。     

基于子带能量变换改进MFCC的咳嗽识别

在咳嗽识别中,频谱能量较高是咳嗽区别于大部分非咳嗽声音的主要特征,在分析得到咳嗽各子带频谱能量分布系数的基础上,提出了一种基于子带能量变换改进MFCC的咳嗽识别新方法。该方法在MFCC提取过程中引入子带能量变换,对高能量子带进行增强以降低非咳嗽信号的误识别率和提高轻微咳嗽的识别率,舍弃低能量子带以提高系统的抗干扰能力。在相同实验条件下,比较了采用改进MFCC和传统MFCC的咳嗽识别性能。实验结果表明：改进MFCC有效改善了咳嗽识别的各项评价指标和增强了算法的鲁棒性,平均识别率从89.29%提高到了94.43%。     

一种基于时空相关性和异常检测的改进WSN节能策略

针对降低无线传感网能耗和保证数据精度之间的矛盾,提出了自适应采样数据并利用压缩感知进行压缩的方法.传统的基于压缩感知的无线传感器数据压缩,只采样部分节点的数据,对于未被采样节点感知到的突发事件很有可能发生漏检情况.本文方法检测所有节点上传的数据再进行压缩,可以有效避免漏检情况的发生.根据信号具有时间相关性的特点,本文采用基于方差分析ANOVA(Analysis of Variance)原理改进的传感器自适应采样频率方法,并考虑节点剩余能量,减少平稳信号的采集次数,均衡网络节点能耗.在LEACH协议基础上,对簇内数据进行压缩感知的方法对数据进行压缩从而减少数据的空间相关性并传输到汇聚节点,以减少网络整体的能量消耗.针对可能的漏报情况,提出一种改进的局部事件监测算法-滑动窗口局部事件监测SW-LED(Sliding Window-Local Event Detection)算法,实现了实时准确的异常检测和预警.实验结果表明本文方法既可以有效的均衡网络节点能耗以提高网络生存周期,同时保证了数据的精度,对于异常情况的识别率也有很大的提高.     

Periodic early detection for improved TCP performance and energy efficiency

Reducing the size of packet buffers in network equipment is a straightforward method for improving the network performance experienced by user applications and also the energy efficiency of system designs. Smaller buffers imply lower queueing delays, with faster delivery of data to receivers and shorter round-trip times for better controlling the size of TCP congestion windows. If small enough, downsized buffers can even fit in the same chips where packets are processed and scheduled, avoiding the energy cost of external memory chips and of the interfaces that drive them. On-chip buffer memories also abate packet access latencies, further contributing to system scalability and bandwidth density. Unfortunately, despite more than two decades of intense research activity on buffer management, current-day system designs still rely on the conventional bandwidth-delay product rule to set the size of their buffers. Instead of decreasing, buffer sizes keep on growing linearly with link capacities.We draw from the limitations of the buffer management schemes that are commonly available in commercial network equipment to define Periodic Early Detection (PED), a new active queue management scheme that achieves important buffer size reductions (more than 95%) while retaining TCP throughput and fairness. We show that PED enables on-chip buffer implementations for link rates up to 100 Gbps while relieving end users from network performance disruptions of common occurrence.     

改进YOLOv2的端到端自然场景中文字符检测

针对自然场景中文字符检测率低、小字符检测困难以及字符检测类别多样等问题,提出一种基于YOLOv2的改进方法,并将其应用于自然场景中文字符检测中.首先利用k-means++聚类算法对字符目标候选框(anchor)的数量和宽高比维度进行聚类分析,提出多层特征融合策略,对原网络中第4个最大池化层前所输出的特征图经过3×3和1...     

基于AIC准则和时窗能量比的电缆局部放电在线检测与定位

在利用多高频电流传感器进行电缆局部放电在线检测与定位时,针对局放信号初至时刻拾取精度不高影响定位精度的问题,提出一种基于AIC(Akaike''s Information Criterion)准则和时窗能量比的局放故障在线检测与精确定位方法.首先利用时窗能量比检测出局部放电发生的时窗,然后求取确定时窗的局部AIC特征曲线,并基于AIC准则精确拾取局放信号初至时刻.最后,运用到达时间法对局放源进行定位.仿真结果表明,该方法定位精度高,抗噪声干扰能力强,在-2 dB的噪声环境下可实现99.85％的定位准确率,具备工程实用价值.     

基于Harris角点检测的改进算法研究

经典的Harris算法在提取图像的角点上具有计算简单、适应性强等优势,但该方法由于人为设定单一阈值,容易出现伪角点、漏检点及运行速度不理想等现象。针对这一情况,文章在传统Harris算法基础上提出一种新的检测方法,采用多阈值的圆形非极大值抑制法提取角点,以此降低算法检测时间并增强图像旋转不变性,再借鉴SUSAN思想消去大部分伪角点。通过实验对比,该算法具有更好的角点检测性,为后期的图像配准奠定了良好的基础。     

基于改进AdaBoost算法的人脸检测

提出了一种改进的AdaBoost算法,该算法设定漏检一张人脸的代价比误检一张人脸的代价大,然后通过学习使得两类分类错误的代价最小.实验结果表明,此算法能取得更好的学习效果,提高了人脸检测率.     

基于改进量子遗传算法的红外图像检测研究

为了解决QGA算法在检测红外图像中出现收敛速度慢、易陷入局部极值的问题,提出一种改进算法。首先采用动态策略调整量子门旋转角度,对方向进行调整,通过定义位影响因子和差距度量函数,使得基因位的更新更加快速高效;引入染色体交叉机制,通过对收敛因子、适应度因子和变异加速因子的操作,维护群体的稳定性与多样性,使优良个体朝更优方向进化,提高全局寻优能力。实验仿真结果表明,本文算法检测效果理想,运行速度快,适合实时应用。     

一种基于改进支持向量机的入侵检测方法研究

提出基于粒子群优化（Particle Swarm Optimization,PSO）算法和支持向量机（Support Vector Machines,SVM）的入侵检测方法,为优化SVM性能,使用PSO的全局搜索特性寻找SVM的最优参数[C]和[σ];为避免PSO算法陷入局部最优,引入变异操作,找到最优参数组合后进行基于PSO_SVM入侵检测算法的训练和检测,解决了入侵检测系统准确度难题。仿真实验表明该方法的检测率为92.8%,误报率为6.911 9%,漏报率为9.708 7%,对KDDCUP竞赛的最佳结果有一定程度的提高,实验结果验证了该算法的有效性和可行性。     

基于改进R-FCN的车辆目标检测方法

针对传统方法对实际环境中车辆检测精度不高的问题,提出基于深度学习中R-FCN模型进行车辆检测的方法。基于全卷积网络,结合多尺度训练使模型能够学习到不同尺寸车辆的抽象特征,在训练过程中引入可变形网络提高模型对目标变换的自适应能力,使用软化非极大值抑制的方法减少复杂环境中目标的漏检率。利用Udacity数据集进行训练和测试,实验结果表明,提出方法与R-FCN模型相比,检测的平均准确度提高了4.3%,对实际场景下的车辆有着良好的检测效果,网络具有一定的鲁棒性。     

基于改进YOLOX的落石检测方法

山坡地区是落石频发的区域,凭人力难以及时发现灾害的发生。为及时检测到落石的发生并做出应对措施,提出一种基于改进YOLOX的落石检测方法,自动检测并报告落石的发生情况;通过自制落石数据集训练YOLOX网络,优化空间金字塔池化结构,获取更多语义信息,并引入ECA-Net(Efficient Channel Attention Module,高效通道注意力模块),提高特征的提取能力和特征间的信息传播,同时改进损失函数并使用数据增强,提高网络训练效果;实验结果表明,改进YOLOX算法的mAP@0.5为92.50%,每秒检测帧数为62.6,相较于YOLOX算法,mAP@0.5提高3.45%,每秒检测帧数上涨0.3;与原算法相比,在不损失性能的情况下,精度有较大的提升,同时满足图片与视频数据的实时检测要求。