三值关联规则在不确定性知识表示及推理性的应用

动态分类是指对象所属的类可随时间而变化。在进行系统分析和软件开发中,需要真实地描述研究对象在其生命周期中的变化,动态分类正是这样一种机制。但是由于许多面向对象程序设计语言都不支持动态分类,因此需要用别的方法来描述动态分类,文中给出了用ＵＭＬ表达动态分类的四种机制,并对这四种机制进行了比较。     

多值逻辑在不确定性知识表示及推理中的应用

针对传统产生规则和Ｂｏｏｌｅａｎ规则矩阵无法进行不确定性知识表示和推理的弱点,文章采用三值逻辑表示规则和真值状态的不确定性,提出一值产生式规则（Ｔ规则）和三值规则矩阵（ＴＲ矩阵）,利用ＴＲ矩阵变换实现高速产向推理和后向推理。对复合三值规则的无损分解进行详细探讨。最后提出了一个能进行不确定推理的新算法。     

基于邻居相似现象的情感说话人识别

根据语音学的研究,提出中性时发音相似的说话人,在情感状态下的发音人相似的假设--邻居相似现象,并通过定量和定性的分析验证了该假设,即在音素内容相同的情况下,同一说话人的中性模型和情感模型对应高斯分量的“邻居”基本类似.为了解决说话人情感变化时语音短时特征的分布与中性语音模型存在差异的问题,提出说话人情感模型合成的方法--将开发库中学习到的中性 情感变化规律移植到评测库中,根据说话人的中性模型合成出情感模型.从邻居相似现象的特性出发,根据KL距离选取该说话人中性下若干相似的邻居,根据基于邻居的方法和基于邻居变换的方法,合成出该说话人的情感模型.MASC库上的实验结果表明,该方法的识别准确率比传统的GMM-UBM算法提高了2.81%,与情感属性映射（EAP）方法相比识别率提高了1.3%.     

基于情感语音的差异检测与剔除的说话人识别

提出了一种基于情感语音的差异检测与剔除的说话人识别方法,克服了前人的方法中需要在训练时提供测试说话人的情感语音或者需要在测试时提供测试语音的情感状态信息给系统的使用带来的不便性,并在识别性能上比传统的ASR系统提高4.7%。     

通用硬件模糊控制器研究

提出了一种基于多值逻辑电路的模糊控制器硬件实现方案,采用规则分时进行硬件模糊推理,不同规则的推理结果合并后形成模糊输出,经模糊判决后形成精确量输出。该方案的复杂性不受规则数量的影响,执行速度不受语言变量维数的影响,该方案通过改变存储器数据可以方便地调整隶属度函数和模糊控制规则,克服了硬件模糊控制器灵活性差这一重大缺陷,该方案便于以VLSI实现。     

基于灰色模型的预测模糊控制策略及其应用研究

提出一种基于灰色模型的预测模糊控制器。利用过程灰色预测模型，建立以预测误差和预测误差变化率为输入的二维预测模糊控制器。并根据当前过程状态引入灰色模型预测步长的模糊决策机制以进一步改善控制性能。针对水泥回转窑分解炉温控系统的实际应用表明该方法具有良好的控制性能和实用价值。     

一种新的岩爆分级预报模型及其应用

为了探索岩爆预报 ,根据影响岩爆的一些主要因素 ,应用物元概念和关联函数 ,建立了岩爆分级预报的物元模型 ,针对国内外一些岩石地下工程实例进行分析、计算 ,初步结果说明该模型在岩爆分级预报中有良好的应用前景 .     

基于Popov超稳定性理论的模糊自适应控制器设计方法

对一类常见的非线性系统,利用Popov超稳定性理论得到一种模糊自适应控制方案,该方案在模型匹配的条件下能保证闭环系统的(渐近)稳定性.当模型匹配条件不满足时,通过引入一个辅助控制量使系统仍保持稳定.因此,文中提出的方法普遍适用于一类非线性离散或连续控制系统的设计.     

基于UBM降阶算法的高效说话人识别系统

为了提高基于高斯混合模型-通用背景模型（GMM UBM）说话人识别系统的运算速度,提出了通用背景模型（UBM）降阶算法,该方法采用极大似然估计法训练一个高阶UBM,再采用UBM降阶算法得到低阶UBM.采用最短距离高斯分量替换空映射集合的方法解决了空映射集问题.通过实验方法分析了3种初始化低阶UBM方法的识别结果,发现不同的初始化方法对结果影响很小.在NIST2001 SRE数据库上的实验显示,该算法使基于GMM UBM说话人识别系统的运算速度提高了8倍,而等错误率仅上升了459%,表明了UBM降阶算法在小幅降低系统识别率的情况下,可大幅度提高GMM UBM系统的运行效率.     

基于基频的情感语音聚类的说话人识别方法

针对存在情感差异性语音情况下说话人识别系统性能急剧下降以及缺乏充足情感语音训练说话人模型的问题,提出一种基于基频的情感语音聚类的说话人识别方法,能有效利用系统可获取的少量情感语音.该方法通过对男女说话人设定不同的基频阈值,根据阈值,对倒谱特征进行聚类,为每个说话人建立不同基频区间的模型.在特征匹配时,选用最大似然度的基频区间模型的得分作为该说话人的得分.在中文情感语音库上的测试结果表明,与传统的基于中性训练语音的高斯混合模型说话人识别方法和结构化训练方法相比,该方法具有更高的识别率.