变速率语音编码中的自适应技术

在移动通信系统中采用变速率语音压缩编码，可以最大限度地发挥系统的效能，而变速率语音编码的核心技术就是自适应技术。文章简要阐述了当前变速率语音编码技术所采用的标准协议，同时对变速率语音编码的种类进行了归纳，着重对4种变速率语音编码的自适应技术原理进行了介绍。     

基于GMM的说话人分类自适应算法

本文提出了一种基于GMM（Gaussian Mixture Model）的说话人分类算法,主要介绍了GMM模型和具体实现以及基于GMM的说话人分类算法在关键词检测系统中的应用。实验结果证明,该算法计算量小、实现速度快,能够提高系统的识别率,扩大应用人群范围,在中小词汇表识别系统中有关非常广阔的前景。     

结合全局词向量特征的循环神经网络语言模型

 针对循环神经网络语言模型对长距离历史信息学习能力不足的问题,本文提出了结合全局词向量特征的循环神经网络语言模型。首先利用GloVe(Global Word Vectors)算法训练出全局词向量,然后将其作为特征向量输入到引入特征层的循环神经网络中进行训练。相对于局部词向量方法,全局词向量能够利用全局统计信息来训练出含有更加丰富的语义和句法信息词向量。为了验证新方法的性能,本文在Penn Treebank和Wall Street Journal语料库上分别进行困惑度和连续语音识别实验。实验结果表明结合全局词向量的循环神经网络语言模型的困惑度相比传统的循环神经网络语言模型降低了202%,同时语音识别系统的词错误率降低了183%。      

一个新的基于融合的说话人确认系统及DSP的实时实现

本文提出了一个高速、有效的说话人确认算法。该算法在高斯混合模型一合局背景模型(GMM-UBM)的基础上,采用一种新的融合方法有效的提高了系统的识别率和实时性。实时系统采用高速DSP芯片'rMS320C6701,实现了语音信号的实时处理。实验结果表明,该系统在识别率、算法的实时性等方面都比传统的方法要好。     

基于说话人聚类和支持向量机的说话人确认研究

说话人确认系统需要用目标说话人和背景模型说话人的语音数据对模型进行训练。背景模型说话人可随机选取或选取与目标说话人相近的说话人。采用说话人聚类的方法可以有效地解决说话人背景模型的选取问题。支持向量机用作说话人确认模型来训练目标说话人和背景说话人的语音数据。实验表明该方法对与文本无关的说话人确认问题是有效的。     

基于正交高斯混合模型的说话人识别研究

本文介绍了正交高斯混合模型（OGMM）及其在说话人识别中的具体应用。传统的高斯混合模型（GMM）常常假定协方差矩阵为对角线矩阵，但需大量的混合成来表征分布情况，这将会导致训练量的增加。OGMM的主要思想是传统的GMM之前先将特征矢量变换到由协方差矩阵的本征向量决定的空间中去，这样得到的对角线协方差矩阵可以更准确地反映分布的情况。基于OGMM的说话人识别实验表明该算法在说话人识别方面比传统的GMM算法有更好的效果并具有良好的应用前景。     

网络环境下的信息隐藏与数字水印技术

本文介绍了网络环境下保证信息安全的一种新技术--信息隐藏,并着重分析了它的一个重要分支--用于数字产品版权保护的数字水印技术,对其现有算法和应用进行了分析,展望了今后信息隐藏和数字水印技术的发展方向.     

英汉机器翻译中基于模式的译文生成

本文介绍一种基于模式的机器翻译的译文生成方法,并提出一种句法结构与语义信息相结合的模板匹配算法.最后给出本算法对英语句子进行测试的实验结果.