公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

基于语支鉴别性的音素相关语种识别方法被引量：1: 2014年; 提出一种音素相关特征,并将语言学中语支的思想引入语种识别。结合音素相关特征和因子分析方法,提出音素层语支变化量(PLBV)方法。通过对音素后验概率进行降维和均值方差规整,得到音素相关特征。使用因子分析技术将各语支变化量空间的低维变化量因子进行拼接得到音素层语支变化量因子,然后在语支内部和语支间分别对语支变化量因子进行支持向量机(SVM)建模。实验基于俄语音子识别器,在美国国家标准技术署(NIST)2011年语种识别评测(LRE)30s数据集上的实验表明,提出的方法与传统的ivector系统相比,在EER、minDCF和NIST2011年LRE评价指标上相对提升29.9%-54.6%。; 王宪亮万玉龙杨琳周若华颜永红

基于谱包络非负矩阵分解的钢琴多音符估计算法: 提出了一种基于能量谱包络非负矩阵分解的钢琴多音符估计算法.首先对钢琴88个单音片段进行RTFI时频分析,求得对应平均能量谱,经过时序平均、归一化求得平均能量谱包络,拼接成钢琴的单音能量谱包络基矩阵.之后对测试的多音片段,...; 万玉龙王宪亮周若华颜永红; 关键词：性能评价; 文献传递

基于非负矩阵分解的钢琴多音符估计被引量：1: 2014年; 提出了一种基于能量谱包络非负矩阵分解的钢琴多音符估计算法。首先对钢琴88个单音片段进行RTFI时频分析,求得对应平均能量谱,经过时序平均、归一化求得平均能量谱包络,拼接成钢琴的单音能量谱包络基矩阵。之后对测试的多音片段,采用同样处理方法求得多音平均能量谱包络,通过非负矩阵分解求得各音符的权重系数,最后通过阈值限定求得多音符估计结果。性能评估实验基于MAPS数据集的UCHO集和RAND集展开,与MIREX中最好的钢琴音乐自动记谱系统相比,本文提出的钢琴多音符估计算法性能有很大幅度的提升。; 万玉龙王宪亮周若华颜永红; 关键词：钢琴音乐非负矩阵分解

基于SVM一对一分类的语种识别方法: 语种识别系统通常采用支持向量机（SVM）一对多加高斯后端分类器的方法进行分类。传统的SVM一对一分类在进行线性鉴别性分析（LDA）时特征值矩阵往往为奇异的,识别性能很低。本文提出一种改进的一对一分类方法,对SVM一对一得...; 王宪亮吴志刚杨金超周若华颜永红; 关键词：支持向量机语种识别

基于语支鉴别性的音素相关语种识别方法: 本文提出一种音素相关特征,并将语言学中语支的思想引入语种识别.结合音素相关特征和因子分析方法,提出音素层语支变化量(PLBV)方法.通过对音素后验概率进行降维和均值方差规整,得到音素相关特征.使用因子分析技术将各语支变化...; 王宪亮万玉龙杨琳周若华颜永红; 关键词：语种识别; 文献传递

基于SVM一对一分类的语种识别方法被引量：10: 2013年; 语种识别系统通常采用支持向量机(support vectormachine,SVM)一对多分类加Gauss后端分类器的方法进行分类。传统的SVM一对一分类在进行线性鉴别性分析(linear discriminant analysis,LDA)时特征值矩阵往往为奇异的,识别性能很低。该文提出一种改进的一对一分类方法,对SVM一对一分类得分重新建模,识别性能明显提高。在美国国家标准技术署(National Institute of Standardsand Technology,NIST)2011年语种识别评测(languagerecognition evaluation,LRE)30s数据集上的实验结果表明:在采用SVM的全变化量因子分析(total variability,iVector)和支持向量机-Gaussn超向量(support vectormachine-Gaussian super vector,SVM-GSV)语种识别系统上,该方法比SVM一对多分类方法性能更好,并且两种方法线性融合可明显提升识别性能,在iVector系统上各指标相对提升7.7%～15.9%,在SVM-GSV系统上各指标相对提升11.2%～33.9%。; 王宪亮吴志刚杨金超周若华颜永红; 关键词：语种识别

基于SVM一对多得分规整的语种识别方法: 2015年; 提出一种支持向量机(SVM)一对多得分规整的语种识别方法。通过对SVM得分进行规整,提高了各语种得分间的区分性,同时对分类效果较差的SVM分类器更鲁棒。仿真实验基于音素层特征的并行音素识别器后接向量空间模型(PPRVSM)的语种识别系统上进行,在美国国家标准技术署(NIST)2011年语种识别评测(LRE)30s数据集上的实验表明,提出的规整方法在语种识别性能评价指标EER和min DCF上相对提升2.6%-10.9%。; 王宪亮袁庆升包秀国张健万玉龙周若华颜永红; 关键词：支持向量机

基于SVM后端校正的含噪声机械故障分类方法被引量：1: 2014年; 从模式识别角度对含噪声机械故障分类方法进行优化,在支持向量机的基础上提出一种新的一对一分类方法和后端校正方法。讨论了支持向量机的思想及其在机械故障分类中的应用,详细介绍了针对含噪声机械故障样本分类的新的一对一分类方法以及后端校正方法。结果表明,在噪声环境下,该方法能够显著提高机械故障分类精度。; 王宪忠吴凤林张东浩王宪亮; 关键词：支持向量机噪声

全选清除导出

共1页<1>

王宪亮