模糊判决支持向量机在自动语种辨识中的研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的通用学习方法。自动语种辨识是语音信号处理中新出现的分支,也是一项较难的课题。该文提出的模糊判决支持向量机(FDSVM)是对支持向量机的判决结果的合理化改进,并应用于自动语种辨识系统。利用OGI-TS电话语音库对新算法的性能进行测试,然后给出实验结果。结果表明,该算法相对于传统算法是一种更有效的方法。     

基于支持向量机的多种语言话音识别研究

提出一种改进的支持向量机(SVM)--结果模糊化的支持向量机(RFSVM),用它进行多语种识别,并利用OGI-TS电话语音库对算法进行了测试.实验结果表明,该算法对于语言辨识是一种有效的方法.     

几种小训练样本集的数字语音识别模型的比较性研究

本文通过对小训练样本集的基于DTW结构的数字语音识别模型的比较性分析,指出其存在的三个一般性问题：（1）DTW逐帧匹配模式割裂了观测向量序列的内在联系;（2）压扩观测向量序列造成局部信息使用的不均匀;（3）计算复杂度高,识别率低.为了解决这些问题,我们提出了基于数字语音时频信息整体结构的单特征向量识别模型.这种模型完整地利用了观测向量序列的全部信息,结合置信度评估和自适应反馈学习之后可及时地吸收测试向量携带的新的环境特征信息,调整识别模型结构.该模型的错识率较之最好的基于DTW结构的混合域模型的错识率降低50%以上,计算复杂度则是固定帧长模型的13.12%.