基于梅尔频率倒谱系数的音频分类研究

梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)是一种符合人耳听觉特征,并与频率呈非线性对应关系的频谱特征,广泛应用在语音识别、音频特征分析等方面.对于目前广泛使用的通过单一特征进行音频分类的方法,存在分类准确度低、处理速度慢等方面的不足,提出了基于梅尔频率倒谱的音频分...     

基于LPC倒谱的语音特征参数提取

语音识别指利用计算机识别语音信号所表达的内容,其目的是要准确地理解语音所蕴含的含义。本文着重研究了语音识别实现过程的特征提取,针对特征提取的多种方法,选用LPC倒谱系数作为特征参数提取,较彻底地去除了语音信号产生过程的激励信息,主要反映了声道模型,而且只需十几个倒谱系数就较好地描述了语音的共振峰特性。通过对语音信号进行预加重、分帧、加窗、自相关分析,而后提取出LPC倒谱系数。根据流程编写VC程序,对语音信号进行分析处理,去除对语音识别无关紧要的冗余信息,从而获得用于语音识别的重要信息。     

基于双对数谱和卷积网络的船舶辐射噪声分类

卷积层平移等变性与线性谱不适配,卷积网络对高维特征的长距离依赖建模能力不足。该文提出一种双对数谱特征用于船舶辐射噪声分类。双对数谱通过重新排列对数谱频点,保证高频端分辨率的同时,规避使用太深的卷积网络。利用双对数谱各行表征同一目标的先验知识,构建卷积网络和目标函数。DeepShip数据集上的试验结果表明,特征维数相同情况下,提出的算法分类正确率比以线性谱为输入的卷积网络提高2.4%以上。     

基于倒谱特征的带噪语音端点检测

在语音识别系统中产生错误识别的原因之一是端点检测有误差.在高信噪比情况下,正确地确定语音的端点并不困难.然而,大多数实际的语音识别系统需工作在低信噪比情况下,一些常规的端点检测方法,例如基于能量的端点检测方法在噪声环境下不能有效地工作.本文利用倒谱特征来检测语音端点,提出了带噪语音端点检测的两个算法,第一个算法利用倒谱距离代替短时能量作为判决的门限,第二个算法改进了基于隐马尔柯夫模型(HMM)的语音检测以适应噪声的变化,实验结果表明本方法可得到高正确率的带噪语音端点检测.     

基于LPC美尔倒谱特征的带噪语音端点检测

复杂的噪声环境是语音识别系统在实际应用中性能下降的原因之一,识别预处理中的带噪端点检测作为关键技术,其性能的优劣某种程度上决定了识别率的高低。笔者提出了基于LPC美尔倒谱特征的带噪端点检测方法,对语音信号分高低频段分别提取IPC美尔倒谱特征分析,根据Mel倒谱距离判决,采用自适应噪声估计,实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

一种基于倒谱均值减的语音端点检测改进方法

端点检测是语音识别理论研究中的关键技术之一,为了提高语音端点检测方法的抗噪性和准确性,引入倒谱均值减(Cepstral Mean Subtraction,CMS)设计一种新的语音端点检测方法.在传统倒谱均值减算法的基础上,采用隐马尔可夫模型(Hidden Markov Model,HMM)提取最佳特征子集,利用二次分类...     

一种基于BP神经网络群的自适应分类方法及其应用

本文针对基于BP神经网络的分类系统,提出了神经网络群的概念,在此基础上给出了一种系统自适应增长算法,使得在新的目标类型加入时系统结构能够自适应调整.验证结果表明,该算法可以在增加新的目标类型时简化系统结构的调整过程,缩短重新训练网络所需要的时间,从而有效地提高网络的训练效率.     

基于softmax回归的通信信号循环谱的多分类识别方法

通信信号调制方式的自动识别在通信对抗领域中具有重要作用,同时也是未来认知无线电系统的重要组成部分,如何在日趋密集的信号环境中快速准确地识别多个混合通信信号是实现通信信号调制方式自动识别的重点。针对这种情况,以数字通信信号的循环谱为特征,通过构建softmax回归多分类识别器,提出一种基于softmax回归的通信信号循环谱的多分类识别方法。通过计算机验证不同条件下的算法性能,证明了该方法无需知道典型的数字调制信号(如ASK,BPSK,QPSK,16QAM,64QAM)的符号率、载频以及同步定时等先验信息,对它们组成的混合信号可以正确识别其中包含的每个调制信号的调制方式,并且识别速度较快。     

一种基于概率模型和倒谱差分的特征补偿算法

本文详细给出了概率模型中引入倒谱预测值的动态相关性来进行特征补偿的方法.该方法采用期望最大化(EM)算法来估计联合分布参数,基于语音和噪声的先验概率密度、在倒谱域对语音特征参数进行最小均方误差预测(MMSE),以提高语音识别精度.不同噪声环境和不同信噪比下的实验结果表明,本文方法能有效提高噪声环境下的中文连续语音识别的正确率.     

基于BP神经网络的脑卒中患者分类方法研究

人工神经网络的应用逐渐广泛,已经发展到各个前沿领域,在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。文章通过对经过PCA算法降维预处理后的数据进行BP神经网络数据分类,比较和分析数据经BP神经网络、RBF神经网络、ANFIS神经网络后的分类误差。经实验分析,BP神经网络、RBF神经网络、ANFIS神经网络分类误差分别为0.000 5,971.935,0.025 3,传统BP神经网络更适合文章中所采集的脑卒中患者数据分类。     

基于BP网络的小麦腥黑穗病害分类诊断

将图像分析与模式识别技术应用于小麦腥黑穗病害图像的分类诊断,对于提高出入境植物病害检验检疫工作的自动化程度具有实际意义。文中在分析了小麦网腥、印度腥和矮腥等3种病害孢子图像的形状和纹理特征后,选择了描述孢子的长轴、短轴、等价椭圆短轴、面积、周长及惯性矩等6个典型特征,设计了一个具有6个输入向量、4个输出向量的BP神经网...     

基于BP神经网络的嘴型分类算法

针对传统嘴型分类中医生肉眼观察主观性大且无法量化等问题,文中提出一种嘴型分类算法。该算法在人脸特征点标定ASM的基础上,提取嘴型模板,经过一系列旋转、二值化以及重采样构建特征向量,然后利用BP神经网络进行训练完成嘴型分类。实验结果表明,该算法可以实现较为准确的嘴型分类,对临床医疗整形具有一定的参考价值。     

基于ICA与BP神经网络相结合的人脸识别研究

提出了独立成分分析和BP神经网络相结合的人脸识别方法。首先对人脸图像进行小渡分解。提取人脸图像的低频子带图像，然后用被立成分分析方法对低频子带图像进行特征提取，并用改进的BP神经网络时所提取的人脸特征进行分类识别。在AR人脸图像库中进行的实验表明，此方法取得了较高的识别率。     

基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87. 3%,较后两种方法精度分别提升19. 6%和7. 6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。     

基于BP神经网络的车牌识别技术研究

车牌识别（LPR）是智能交通中关键技术之一。针对目前车牌识别技术存在的一些问题,详细分析基于BP神经网络的车牌字符识别方法,对BP神经网络收敛速度慢且容易陷入局部极小点的缺陷进行改进。经仿真实验结果表明效果良好。     

一种改进的ECG分类神经网络方法

本文引入信息熵作为惩罚函数，加入到神经网络的代价函数中，经过训练获得了更有组织的隐怪神经元激励模式，每个输入样本仅使隐层少数神经元产生响应，经过本文提出了的裁剪算法的裁剪后，减小了网络的规模，提高了神经网络的泛化能力和计算效率，文中的ＥＣＧ分类也证字这一结果。     

基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

基于人工神经网络算法的运营商客户投诉智能分类问题研究

云计算、物联网和5G业务的逐步开展,运营商的竞争态势日益加剧,在服务内容、服务方式、服务质量、经营管理和服务意识方面面临严峻挑战.为提升客户满意度,降低投诉量,本文从运营商客户投诉工单和录音数据入手,利用人工智能、机器学习等手段,开展投诉服务请求的归类分析,进一步通过人工神经网络算法对投诉工单文本进行挖掘和优化,对工单...     

BP网络参数对模式识别问题影响的研究

利用BP神经网络解决通信信号模式识别问题,在仿真过程中发现BP网络的各种参数对网络性能存在较大影响.并发现了BP网络参数选取的一些规律.     

用于神经网络模式识别的一种改进的BP算法

在对采用BP算法的神经网络进行分析的基础上，针对标准BP算法的不足进行了改进，并给出了通过对作用函数进行修正后所得到的改进BP算法的应用实例。