马尔可夫跳变线性系统最优控制的研究现状与进展

马尔可夫跳变线性系统（MJLS）是一种具有多个模态的随机系统，系统在各个模态之间的跳变转移由一组马尔可夫链来决定。MJLS模型因其在表示过程中可以产生突变而更能精确的描述实际工程应用中的系统。近年来，MJLS的最优控制问题成为了研究的热点，动态规划、极大值原理以及线性矩阵不等式等成为了解决此类问题的主流方法。本文对MJLS最优控制领域的研究现状进行了综述。分别对一般情况下、带有噪声的情况下、带有时滞的情况下以及某些特定情况下的MLJS最优控制问题的国内外研究现状进行论述。最后进行了总结并提出MJLS最优控制领域未来值得关注的研究方向。     

多带抗噪声语音识别算法研究

根据Flether等人的研究,基于感知独立性假设的子带识别方法被用于抗噪声鲁棒语音识别。本文拓展子带方法,采用基于噪声污染假定的多带框架来减少噪声影响。论文不仅从理论上分析了噪声污染假定多带框架在识别性能上的潜在优势,而且提出了多带环境下的鲁棒语音识别算法。研究表明：多带框架不仅回避了独立感知假设要求,而且与子带方法相比,多带方法能更好的减少噪声影响,提高系统识别性能。     

一种具有弹性服务质量要求的多业务最优接纳控制策略

随着无线网络所支持的业务种类的增加和具有弹性服务质量要求的业务的大量出现，与服务质量保证密切相关的呼叫接纳控制问题成了近年来无线网络研究的热点之一。本文研究了基于准马尔可夫决策过程方法的多业务最优呼叫接纳控制问题。根据业务的特点，首先引入了带宽分配满意度函数和收益率函数，在此基础上，提出了基于带宽分配满意度的最优带宽分配算法和基于准马尔可夫决策过程方法的最优呼叫接纳控制策略。计算结果表明，本文方案能够在对各类业务的呼叫阻塞率进行适当权衡的前提下，进一步提高网络的期望收益率和期望带宽利用率，同时满足了各类业务的最低服务质量要求。     

无端点检测汉语识别算法的实现及改进——动态时间规整和隐马尔可夫统一模型的应用

语音识别算法中，动态时间规整（ＤＴＷ）和隐马尔可夫模型（ＨＭＭ）是最有效的识别算法，并且两者之间有着本质的联系和内在的统一［１］，据此前期工作中，已经建立了ＤＴＷ和ＨＭＭ的统一模型（ＤＨＵＭ）［２、３］。本文对ＤＨＵＭ进行了改进，在ＤＨＵＭ中引进寂静段自环，并根据汉语语音的特点，提出了一种无端点检测的语音识别算法。在识别过程中，该算法无需确定语音信号起止点位置，而是从寂静段开始，直接按帧提取特征（帧长２０ｍｓ，帧间重叠５０％），特征向量由１５阶倒谱系数和帧平均能量组成。实验中，用ＤＨＵＭ实现了该算法，对９９个相似汉语单字的识别测试结果表明：无端点检测的识别正识率为９４．９５％，正识率下降很少，但不作端点检测却降低了算法的复杂程度。为进一步改善识别性能，特征向量采用一种听觉模型特征，识别器具有更好的鲁棒性，识别率会略有提高。     

马尔可夫链在产品可靠性预测中的应用

事物未来的状态仅仅受事物现状的影响，而与过去的状态无关，也就是具有马尔可夫性。用马尔可夫链的理论与方法，对具有马尔可夫性产品的可靠性进行预测，既为产品的可靠性设计和产品售后服务的经济性分析提供了参考，也为马尔可夫模型的实际应用拓广了范围。通过实例说明在数学软件的帮助下这种预测方法的简单可行性。     

语音帧间相关信息对基于HMM系统识别精度的影响

本文探讨经短时信号处理后的语音信号帧间相关信息对基于隐马尔可夫模型（ＨＭＭ）的语音识别系统识虽精度的影响，鉴于ＨＭＭ的输出独立假设导致语音帧间相关信息的损失，本文提出了一种描述帧间相关信息的统计模型－马尔可夫链（ＭＣＭ）用来弥补ＨＭＭ在这方面的缺陷；经非特定人和多话者孤立字实验表明，用ＭＣＭ作为ＨＭＭ的辅助模型，可将原有ＨＭＭ系统的识别率提高约１～６个百分点。     

基于HTK的连续汉语数码语音输入系统研究

HTK是英国剑桥大学开发的一套基于C语言的语音处理工具箱,广泛应用于语音识别、语音合成以及字符识别等领域。文章在详细介绍了语音识别的过程、原理及相关概念的基础之上,介绍了HTK的基本原理和软件结构,以及使用HTK完成语音识别任务的整个过程。最后,讨论声学单元等一系列的模型参数的选择,使用HTK搭建一个简单连续汉语语音输入系统。     

基于图像内容层次表征的遥感图像 分割方法

提出基于图像内容层次表征的高分辨率遥感图像快速多精度分割方法。首先根据初始分割结果建立区域邻接图(RAG),并将其定义为马尔可夫随机场(MRF);然后引入光谱、形状和边缘等图像特征进行层次合并,通过记录层次合并过程获得图像内容的层次表征;最后根据层次表征中不同层级对象之间的关系快速生成任意不同精度的分割结果,以满足不同应用的需求。利用QuickBird卫星图像进行实验和评价的结果表明,本文方法具有较高的精度和效率。     

混合语音识别模型的设计与仿真研究

研究语音识别率问题,语音信号是一种非平稳信号,含有大量噪声信息,目前大多数识别算法线性理论,难以正确识别语音信号非线性变化过程,识别正确率低。通过将隐马尔可夫模型(HMM)和SVM相结合组成一个混合抗噪语音识别模型(HMM-SVM)。同时用HMM模型对语音信号时序进行建模,并得到待识别语音信号的输出概率,然后将输出概率作为SVM的输入进行学习,得到语音分类信息,最后通过利用HMM-SVM识别结果做出正确识别决策。仿真结果表明,HMM-SVM提高语音识别正确率,尤其在低信噪比环境下,明显改善了语音识别系统的性能。