采用模型和得分非监督自适应的说话人识别

在说话人识别的研究中, 使用以前的测试语句信息对模型参数或者测试得分进行动态更新, 使模型可以更精确地反映测试语句和说话人模型之间的关系, 这种更新策略称为非监督模式, 这方面的研究对实际的说话人识别系统具有非常重要的意义. 本文除了采用非监督的说话人模型自适应更新方法之外, 还提出了非监督的得分域自适应算法: 首先采用双高斯函数对得分建立一个先验的得分模型, 利用最大后验概率准则对得分规整的模型进行调整. 在测试过程中, 采用得分域和模型域的非监督算法可以互相补充, 提高识别率, 在NIST SRE 2006年1训练语段-1测试语段数据库上, 使用模型域和得分域非监督自适应的系统能够取得等错误率4.3%和检测代价函数0.021的结果.     

计算轮齿疲劳的准则

至今,在轮齿疲劳方面人们已经讨论了关于齿根断裂或齿面损伤,但仅仅是从齿面硬度考虑。然而,我们知道齿面Hertzian应力和危险截面的应力取决于较多齿轮参数和一系列系数,如K,Y和Z。因此,我们产生了这样一种想法,就是分析在确定载荷作用下,上面所提那些参数如何影响齿根应力或齿面疲劳。如上所述,我们采用了V_F与V_H之比,V_F是与齿根弯曲有关的所需的量,V_H是有关Henzian应力所需的量。分析结果如下: V_F/V_H之值取决于齿数Z_1和齿数比范围u=1～5,它随u的增大而逐渐升高,在改进的齿面上此值小于1。这种情况同样适用于表面硬化齿轮,但齿数范围仅在Z_1<21。对于更多的齿数或齿数比,情况就改变了,即V_F>V_H。这意味着在上述限制量是可信的,即计算齿根应力可以获得齿轮的尺寸,换言之,仅是这样的表面硬化齿轮更多地处于断裂危险。     

基于深层置信网络的说话人信息提取方法

在基于全差异空间因子(i-Vector)的说话人确认系统中,需进一步从语音段的i-Vector表示中提取说话人相关的区分性信息,以提高系统性能。文中通过结合锚模型的思想,提出一种基于深层置信网络的建模方法。该方法通过对i-Vector中包含的复杂差异信息逐层进行分析、建模,以非线性变换的形式挖掘出其中的说话人相关信息。在NIST SRE 2008核心测试电话训练-电话测试数据库上,男声和女声的等错误率分别为4。96%和6。18%。进一步与基于线性判别分析的系统进行融合,能将等错误率降至4。74%和5。35%。