开放场景下短时语音说话人识别系统的优化设计

为适应开放场景下说话人识别短时语音的应用需要,本文对说话人识别模型进行优化,提升了模型的准确率和鲁棒性.为了实现对重要频率特征的筛选,提出基于重加权的特征增强层及网络,起到增强特征表达的作用.将人脸识别领域的误分类样本损失函数首次引入到说话人识别领域,提高对困难样本的挖掘能力.提出基于误分类样本挖掘的分类损失与基于小样本学习框架的余弦角度原型损失的组合损失函数,解决了分类损失函数与说话人识别实际评测需求不匹配和度量函数对采样策略依赖性强的问题.实验结果显示,与基准模型相比,性能指标等误率(EER)降低12.45%,最小检测代价函数(minDCF)降低14.09%,取得现有说话人识别领域的优异效果.     

基于组合损失函数的BP神经网络风力发电短期预测方法

为了改善风电大规模并网带来的电力系统功率平衡问题,提高系统的风电消纳能力,构建了基于组合损失函数的风电功率预测神经网络模型. 为了提高原始数据信息的利用率,在模型中将数据进行分类,提出以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型,由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数. 基于实际风场数据,对基于组合损失函数的预测模型效果进行训练和仿真验证,结果表明相较于基于单一的均方差损失函数的预测方法,提出的组合损失函数可有效提高预测精度.     

Entropy损失函数下两参数指数威布尔分布尺度参数的Bayes估计及其性质

在Entropy损失函数下,利用构造多层先验分布的方法求出了指数威布尔分布参数的多层Bayes估计,然后根据经验Bayes估计的思想,利用密度函数的核估计方法,构造了参数的经验Bayes估计并证明了该估计的渐进最优性和可容许性,最后运用随机模拟,将其与平方损失函数下的Bayes估计以及极大似然估计(MLE)进行了比较,结果表明:Entropy损失下的Bayes估计较后两种估计好.     

平衡损失下正态总体均值的序贯估计

对于均值μ和方差σ2均未知的正态总体N(μ,σ2),其均值的序贯估计是一个重要的问题.平衡损失函数是反应了拟合度和估计精度两方面的损失函数.在平衡损失函数下,得到了关于正态均值的序贯估计-XT,并且证明了序贯过程(T,-XT)在某种意义下是优良的.     

一种新的损失函数

损失函数在质量设计、质量认证中发挥了非常重要的作用。本文在讨论平方损失函数的基础上,给出了一种新的损失函数。     

一类分布均值的James-Stein估计的改进

研究了一类分布的均值估计问题．在给定损失函数下,得到了优于两类James—Stein型估计的一类估计．     

逐次定数截尾下Rayleigh分布的贝叶斯分析

在平方损失函数、熵损失函数和对称熵损失函数下,对基于逐次定数截尾样本的Rayleigh分布进行了贝叶斯(Bayes)统计分析。最后,利用蒙特卡洛方法进行比较,得出在熵损失函数下的Bayes估计较优。     

未知二次损失下正态均值的估计

对于正态分布的总体,在未知的二次损失函数下,考虑了其均值的估计问题。在一定条件下,给出了优于Ｊａｍｅｓ－Ｓｔｅｉｎ型估计的一类估计。     

一种建立多参数质量损失模型的数学方法

为了将质量损失函数应用于复杂参数的产品,同时为将质量损失概念引入生产制造过程,提出了一种建立多参数质量损失模型的数学方法,并导出了这种多参数的质量损失公式,从而建立了质量损失的更普遍形式。     

一种增强人脸识别模型训练稳定性的损失函数

随着卷积神经网路的快速发展,深度学习在人脸识别领域进行了大量的应用.近几年,人脸识别准确率快速提高,主要归功于新颖损失函数的提出.在目前最大的人脸评测数据集MegaFace上,最顶尖的模型已经实现了97.91％的1:N查找性能,但是训练过程中收敛稳定性问题没有得到解决.该文提出一种新型的损失函数LineFace,其lo...