一种具有鲁棒性的语音激活检测方法

本文提出了一种对于不同背景噪音具有鲁棒性的语音激活检测(VAD)算法.首先,该算法基于统计模型理论、线性预测原理以及自适应时变噪声参数估计方法,在时域和频域中共提取了四个特点不同的特征参数作为分类器的输入特征矢量,然后应用支持向量机(SVM)的方法,进行语音激活检测.最后,通过在不同噪音环境下的对比实验结果,验证了本文所提出的算法在中低信噪比情况下的检测性能要优于ITU G.729B中的VAD算法.     

支持向量机算法及应用

系统介绍了统计学习理论和支持向量机的基本思想，总结、比较了二分类和多分类2种情况下支持向量机的主要训练算法。与人工神经网络相比，分析了支持向量机的优点。归纳了支持向量机在模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子中的应用。     

支持向量机在交通量预测中的应用

交通量预测对于区域交通规划有重要意义。提出一种基于支持向量机理论的交通量预测方法。该方法以统计学习理论为基础，通过和BP神经网络进行比较的实验，证明其在交通量预测中的有效性。     

基于支持向量机的模式识别方法

基于统计学习理论的支持向量机(SVM)方法是现代智能技术的一个重要分支。SVM实现了结构风险最小化(SRM),而不是经验风险最小化(ERM),在保证分类精度的前提下,提高了分类器的泛化能力。着重讨论C-SVM原理,并在此基础之上,对算法进行了测试。测试结果表明,C-SVM分类算法具有较好的推广能力。     

支持向量机在语音情感识别中的应用

本文设计了基于支持向量机的语音情感识别系统,对于输入的语音,利用MATLAB编程,首先经过预处理,然后进行特征提取,最后再利用支持向量机进行分类,仿真输出最终的识别结果。     

支持向量机在多用户检测中的应用

基于支持向量机的非线性多用户检测器具有利用较少训练数据检测CDMA通信系统信号、性能稳定的优点。近几年来随着这种检测器应用研究的深入,人们又对其在运算复杂度和速度等方面进行了改进。现介绍支持向量机的基本原理和其在多用户检测中的应用,并简要介绍几种改进型的基于支持向量机多用户检测器。     

支持向量机及其算法研究

本文首先概要介绍了支持向量机的理论背景,然后结合目前一些主要的SVM训练方法以及它们之间的联系,比较了各种算法的优缺点。重点阐述了其中最有代表性的序贯最小优化(SMO)算法及其多种改进方案。最后指出了SVM及其算法进一步研究和亟待解决的一些问题。     

一种基于支持向量机的含噪语音的清/浊/静音分类的新方法

本文将支持向量机(SVM)方法应用于语音信号的清/浊/静音检测中,提出并验证了一种在各种信噪比等级下将语音信号有效地分为清音、浊音和静音三类信号的新型分类算法.首先,在高信噪比情况下,本文采用了G.729B VAD中的四个差分参数作为SVM分类器的输入特征参数,进行了静音分类的对比实验,得到了优于G.729B VAD和BP神经网络传统算法的实验结果,说明引入这种机器学习方法做语音分类是可行的,并分析讨论了在核函数不同的情况下支持向量机在实验中所表现出的性能.其次,又讨论了在低信噪比条件下,如何通过对含噪语音建立统计模型,提取对噪音免疫的统计特征参数,并给出了一种对时变背景噪声自适应的估计方法.最后,通过在不同噪音环境下的对比实验结果,验证了本文所提出的算法在中低信噪比情况下的分类性能要优于其他传统算法.     

统计学习理论及支持向量机概述

针对传统统计模式识别理论中基于大数定理的假设，介绍了统计学习理论和以该理论为基础的支持向量机模式识别方法；指出了以结构风险最小化为原则的分类器设计方法。即同时兼顾分类能力最优化和经验风险最小化，支持向量机是统计学习理论的VC维理论和结构风险最小原理的具体实现。他通过非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面。     

一种基于类融合向量的支持向量机及其在语音识别系统中的应用

支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果.     

支持向量机理论研究

支持向量机(support vector machines,SVM)是一种基于小样本统计理论的机器学习方法,在解决非线性及高维模式识别中表现出明显的优势,是近年来机器学习领域的研究热点。文中介绍了支持向量机的原理,对经典的训练算法和一些新型的学习模型进行了阐述,最后指出所面临的问题和研究方向。     

一种基于支持向量机的角点检测算法

支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用...     

结合音质特征和韵律特征的语音情感识别

为了提高语音情感的正确识别率,在情感语音韵律特征的基础上,提出情感语音音质特征的提取.结合音质特征参数和韵律特征参数,采用支持向量机分类器实现汉语普通话生气、高兴、悲伤和惊奇四种主要情感类型语音的情感识别.实验结果表明,语音音质特征参数和韵律特征参数相结合取得的情感平均正确识别率为88.1%,比单独使用韵律特征参数高出6%.可见,语音音质特征是一种较有效的情感特征参数.     

Low false positive learning with support vector machines

Most machine learning systems for binary classification are trained using algorithms that maximize the accuracy and assume that false positives and false negatives are equally bad. However, in many applications, these two types of errors may have very different costs. In this paper, we consider the problem of controlling the false positive rate on SVMs, since its traditional formulation does not offer such assurance. To solve this problem, we define a feature space sensitive area, where the probability of having false positives is higher, and use a second classifier (unanimity k-NN) in this area to better filter errors and improve the decision-making process. We call this method Risk Area SVM (RA-SVM). We compare the RA-SVM to other state-of-the-art methods for low false positive classification using 33 standard datasets in the literature. The solution we propose shows better performance in the vast majority of the cases using the standard Neyman–Pearson measure.     

结合肤色分割的支持向量机人脸检测方法

人脸检测是人脸识别与图像及视频检索的一项重要任务。本文提出了一种结合分割与模板匹配-支持向理机(Support Vector Machines,SVM)的正面人脸检测算法。算法在肤色区域分割基础上，输入图像采用基于Harr小波描述的特征提取方法，然后结合平均脸模板匹配利用 SVM分类器进行分类。实验结果表明该算法十分有效。     

应用支持向量机的纹理分类

提出了一种使用离散余弦变换(DCT)进行特征提取的应用支持向量机的纹理分类算法,并将文章中的算法与 KIM K I 等提出的不进行先期特征提取而直接将纹理图像送入支持向量机进行训练分类的算法进行比较。结果显示,文章中的算法可以取得更为准确的分类结果,能够大大降低分类错误率,并且分类结果受参数变化的影响很小。由此说明,在使用支持向量机进行纹理分类的过程中,准确的先期特征提取十分必要。     

基于支持向量机的多类分类研究

现今流行的分类方法的重要基础是传统的统计学，前提是要有足够的样本，当样本数目有限时容易出现过学习的问题，导致分类效果不理想。引入支持向量机方法，它基于统计学习理论，采用了结构风险最小化原则代替经验风险最小化原则，较好的解决了小样本学习的问题；又由于采用了核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。对其相关内容包括优化算法及多类分类问题的解决进行了研究，最后用一个实例说明了该方法的可行性和有效性。     

支持向量机的装备关重件需求预测

关重件是影响装备战备完好性的重要因素,准确的需求预测可以极大地提高装备的保障能力。基于支持向量机预测方法,构建了关重件需求时间序列预测模型,建立了预测需求是否发生和需求量准确度的二维预测结果误差评价机制,预测结果表明支持向量机的需求预测方法精度较高。