排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
相关向量机(RVM)分类法使用概率输出克服了支持向量机(SVM)识别速率低的缺点,并且具有更好的稀疏性。但在与文本无关的话者辨别中,大量训练样本数据体现了RVM在模型训练时计算量与内存需求过大的缺点。针对以上特点,提出基于GMM统计特征参数与RVM融合的与文本无关的语者辨别系统,既有效地提取话者特征信息,解决大样本数据下的RVM训练问题,又结合统计模型鲁棒性高和分辨模型辨别效果好的优点。实验结果证明,该系统比基本的GMM系统具有更优的错误辨别率,比GMM/SVM系统具有更高的稀疏性。 相似文献
2.
为改进基于数据描述的单类分类机识别率,将样本分布密度加入分类机的设计中,提出采用密度诱导型数据描述单类分类机(DISVDD).以支撑向量域描述(SVDD)算法为基础,通过一种简易的形式引入数据密度因子,使高密度区数据对分类支撑域的作用被强化,而低密度区数据的作用被削弱,结果使分类超球体因靠近高密区而提高其识别性能,而且不增加计算复杂度.在构造样本值与真实数据集上的实验结果表明,所提出的算法对于不同类型的数据均具有更好的推广性. 相似文献
3.
1