基于GMM模型的自适应说话人识别研究

为了提高说话人识别的性能,提出一种基于GMM模型自适应说话人识别方法。该方法能自动根据不同的说话人选取不同时长的语音进行识别,从提取语音特征和计算识别概率两方面减少识别时间,在不降低识别率的前提下,比传统识别方法识别速度有大幅度提高。实验仿真表明,在保持正确识别率97%以上的情况下,总识别速度可提高4倍左右。该方法特别适合基于GMM的大集合说话人识别。     

基于数据随机性特征和极速学习机的加密数据流识别

为了在不解密加密数据的前提下获取加密数据流的类型信息,提出一种基于数据随机性特征和模式识别的加密数据流识别方法。该方法利用加密数据与非加密数据,或者不同类型加密数据0,1分布的随机性特性作为分类特征,再利用模式识别方法对不同数据进行建模,从而实现对不同类型数据的自动识别。首先利用NIST随机性测试方法对数据流进行分析,将得到的15类随机性测试得分作为分类特征;然后对不同类型的数据流分别建立分类模型;最后利用训练好的数据模型对未知数据流进行识别。仿真实验显示,与仅用单个随机性特征进行明密数据识别相比,采用模式识别方法可以将错分率由原来的60%以上下降到30%左右;进一步利用滤波器方法对15类随机性特征进行优化降维,平均错分率进一步下降到15%左右。     

一种基于贪婪策略的说话人语音特征优选方法

为了提高说话人识别的性能,提出一种语音特征优选方法,从目前使用效果较好的特征参数中,采用贪婪算法优选出若干维特征用于识别。在TIMIT语音数据库上实验显示,识别率相比传统方法提高了1.6%;对于加入了噪声的语音,识别率提高了6%,识别速度提高了5倍左右。实验结果表明,优选后的特征参数能够去除不良特征对识别系统的干扰,有效提高说话人识别系统的识别率和识别速度。     

时域抗JPEG压缩数字水印算法的设计

本文首先介绍数字水印的含义、用途和基本特征;然后详细说明了为了隐藏秘密信息,防止针对图像有意或无意的攻击,设计了基于时域的抗JPEG压缩数字水印算法,并讨论了水印嵌入过程中各个参数在调节水印不可感知性、鲁棒性和容量3者关系时的作用;最后,本文列出了不同攻击下水印嵌入的效果和水印提取的结果.其结果表明,该方法可以针对所经受的JPEG压缩程度以及其他攻击的强度,自由调节各个参数,以达到水印不可感知性、鲁棒性和隐藏信息容量之间的平衡,并保证隐藏信息的完整性.     

领域适应学习算法研究与展望

领域适应学习旨在利用源领域中带标签的样本来解决目标领域的学习问题,其关键在于如何最大化地减小领域间的分布差异,有效解决领域间数据分布的变化。对当前领域适应学习算法进行了归纳和分类,总结了每类算法的特点,分析了5个相关典型算法并比较了其性能。最后指出了领域适应学习值得进一步探索的方向。     

基于CCA和PCA的说话人特征降维研究

为提高说话人识别的性能,提出将CCA与PCA联合用于说话人特征降维的方法:先用CCA融合基于声道模型的LPC特征和基于听觉模型的MFCC特征,提升这两类不同特征的相关性;然后用PCA进一步去除冗余特征,降低有效特征的维数。实验显示,这两种降维方法联合的降维效果与单一的CCA降维、PCA降维或手动降维的效果比有明显提高。     

多分形谱簇研究及其在说话人识别中的应用

语音是一种复杂的非线性信号,这使得基于线性系统理论发展起来的传统说话人识别技术性能难以进一步提高。本文提出了多分形谱簇分析方法,用于分析语音信号的非线性特征,并应用于短语音（2秒）说话人识别。通过对Cantor集的仿真实验,发现不同标度区能反映出系统不同阶段的生长规律,因此可用一组连续变化的多分形谱分层次地表征系统的分形特性,即多分形谱簇分析方法。然后结合语信号的分形特点,提出一种语音的多分形谱簇特征（Multifractal Spectrum Cluster Feature, MSCF）的提取方法。最后将几种非线性特征与短时谱特征结合用于说话人识别,基于TIMIT数据库50人的实验表明,非线性特征与短时谱特征互补性较强,特别是MSCF与MFCC、LPC特征结合,使得系统的误识率下降到0.8%。      

Rayleigh-Benard对流的多分形及其谱特征

首先简单介绍了分形和多分形的概念,以及用WTMM方法计算多分形谱的步骤,然后分别从理论上和WTMM方法计算了标准2-6-2分Cantor集的多分形谱图,得出了多分形谱的一般物理意义.在此基础上,利用基于小波的WTMM方法计算了Rayleigh-Bénard对流多分形谱及其随流场结构变化的特征.研究结果表明:基于小波的WTMM方法研究多分形谱是可行的;Rayleigh-Bénard对流温度信号的多分形谱结构在由流场的中心向侧壁边缘的过渡中,其多分形谱态也是渐变的.     

一个可用于完整性确认的数字图像水印算法

首先提出了一种鲁棒的、公开水印新算法,然后采用该新算法和LSB这两个不同的算法,在同一个载体图像中,同时加入了两个同样的自相似水印,一个是完全脆弱的水印,另一个则是鲁棒的水印.采用这种双重水印嵌入方案,通过对这两个分别是完全脆弱和鲁棒的水印的提取,并通过它们之间的对比和互相验证,可以达到鉴别对图像的篡改,以及对篡改的位置和篡改的内容进行识别,进而达到完整性确认的目的.