基于角裕度损失的说话人识别研究

针对传统身份认证矢量与概率线性判别分析结合的声纹识别模型步骤烦琐、泛化能力较弱等问题,基于自建的普通话唱红歌语音库,设计三个针对文本无关的闭集声纹识别模型,分别为Res-SD、Res-SA和Rep-SA模型。Res-SD模型采用传统的交叉熵损失函数完成训练,Rs-SA和Rep-SA模型采用可以在特征表达的角度空间中最大化分类界限的附加角裕度损失函数完成训练。实验结果验证了所提出的三个模型针对文本无关的闭集识别任务是有效的。在参数量和准确性方面,Rep-SA模型更适合在红歌数据库上学习到具有类别区分性的唱歌者特征。     

基于全连接层卷积神经网络识别手写数字的研究

手写体识别信息程序直接运用计算机进行识别录入可以提高对于手写体数字的录入效率。目前，手写体数字的识别在MNIST这种大型标准数据集上的研究是人工智能领域的基础研究。该系统是基于TensorFlow的手写识别系统，TensorFlow机器学习框架技术已经逐渐成熟，对于目前人工智能发展的浪潮，人们越来越热衷于将一些以前机器不能实现的、难以理解的工作通过机器学习的方式来实现。该系统研究的是对于手写体数字的识别，采用TensorFlow框架以及机器学习的方法，详细讨论如何建立全连接层以及对数据模型进行优化，并使用数据集对计算机进行训练，形成参数文件，详细通过对手写体数字形成图像文件进行识别并输出识别数字。总体来说，手写体数字识别是对于手写体信息的一次创新尝试。