声学发音模型辅助建模的发音错误检测与诊断

发音错误检测与诊断(MDD)任务的专家标注数据稀缺。从添加发音模型更高效地利用有限数据建模发音规律,辅助基于音素识别的MDD的思路出发,提出一种同时融合声学和文本信息,在理论上更完备地建模发音错误产生过程的声学发音模型。基于发音错误产生过程不同部分的声学关联性,该模型通过与音素识别模型共享声学编码器网络参数,以多任务学习方式联合优化,实现辅助建模。并且,提出声学置信度掩蔽-预测训练方式进一步强化两个任务的联系,提高辅助建模效率。实验表明,声学发音模型能够有效建模发音错误规律;利用其辅助音素识别模型建模后,MDD系统在发音错误检测、诊断和音素识别上分别有4.9%,9.5%和14.0%的提升;声学置信度掩蔽-预测训练方法提高了辅助建模效率,掩蔽参数或联合优化参数选择也会影响辅助建模效果。     

近红外漫反射光谱中散射对化学定量分析模型的影响

结合国内外研究发展现状,分析了近红外光谱分析与检测技术中影响模型稳健性及预测模型精度的原因,特别是散射的影响。阐述了近红外光与样品组织之间的相互作用机理,及近红外光谱法定量分析模型中散射对漫反射光的影响,总结了光学方法中光学特性参数(散射系数、吸收系数)的主要检测技术的研究进展。探讨了近红外光谱检测与分析技术为基础的定量模型中为改善、增强模型稳健性所用的方法及效果,如中心化、附加散射校正(MSC)等预处理算法;偏最小二乘法(PLS)、主成分回归方法(PCA)等不同的多元校正方法。采用现有的数据预处理方法,可以改善散射对模型的稳健性的影响,但要在浓度范围较大、样品物理状态复杂的情况下消除散射引起的模型预测误差仍需要探索新的方法。     

表面粗糙度对近红外光谱分析木材密度的影响

近红外(NIR)光谱技术是一种基于多元统计分析建立预测模型的定量分析技术,应用十分广泛,然而,近红外光谱分析结果的准确性会受到多种因素的影响。文章分析了木材表面粗糙度对近红外光谱预测木材密度的影响。结果表明,当待预测样品的粗糙度和建模样品的粗糙度一致时,分析结果较好;二者不一致时,分析误差较大。采用不同粗糙度样品建立混合预测模型,可以显著提高模型对粗糙度的适应性和稳健性。     

小波变换在近红外光谱分析中的应用进展

小波变换(WT)具有很好的时频分离特征,信息处理能力强,已广泛用于分析化学领域;本文就小波变换在近红外光谱领域的应用进行简述。小波变换用于近红外预处理,提取有用信息,消除背景干扰,可以提高近红外的分析精度和模型稳健性;用于数据压缩可以减少数据库存储空间,提高建模速度;小波系数用于模型传递,具有传递速度快,稳健性强,所需标样少等特点;小波变换可以与神经网络、遗传算法等结合,在近红外分析领域呈现出良好的发展前景。     

面向自动测试的集成电路制造装备测试模型

对于典型的集成电路制造装备,提出了一种面向自动测试系统的多层次测试模型;使用层次化建模方法进行建模,将典型集成电路制造装备的测试模型按层次划分为装备级、子系统级和仪器级;利用XML建立了模块化的测试模型的描述,并使用引用的方式实现测试模型的重用;提出了使用时间信息和GUID确定被引用测试模型可用性的算法;该模型被用于具有工艺腔室的典型集成电路制造装备中,提高了测试模型的重用性,并拓展了对不同层次被测对象的测试能力。     

间接硬建模方法在混合物太赫兹时域光谱解析中的应用研究

太赫兹(Terahertz, THz)波通常是指位于微波和近红外之间的电磁波。由于很多化学和生物分子的振动和转动模式正好都位于THz波段,因此可以利用物质的这些“指纹谱”特性开展定性和定量分析研究。目前用于THz光谱的定量分析主要有主成分回归(PCR)以及偏最小二乘回归(PLSR)等方法,这些算法在建模时往往需要大量的样本进行监督学习,模型精度对训练样本依赖性较高,同时模型的外推性不易保证,在样本量不足或者外推性要求较高的场合,这些算法的使用会受到一定限制。针对这些问题,该研究提出一种利用光谱的参数化模型--间接硬建模方法(IHM),进行混合物太赫兹光谱解析和量化分析技术方案的研究。首先使用S-G平滑滤波方法滤除光谱中的噪声影响;同时考虑到太赫兹光谱特性,消除了人工基线对光谱解析产生的影响;随后,开展了IHM建模与分析研究,重点讨论了在两个训练样本数目情况下模型预测准确度的问题;为了验证该算法的可行性,制备了利福平、乳糖一水合物、微晶纤维素以及硬脂酸镁的四元混合物进行实验与建模分析;使用回归相关系数R和均方根误差RMSE对定量模型进行评价。将IHM方法和PLSR方法进行了比较,理论分析和实验结果表明,相对于传统方法,IHM方法建模所需的训练样本数量可减少至2个,与此同时量化分析准确度获得了提高,同时外推性也有所提升。     

海洋环境噪声中的α稳定分布模型

针对海洋环境噪声的非高斯特性,将α稳定分布模型应用到噪声统计建模中。基于模型特征指数与样本峰度物理意义的相似性,建立了二者的对应关系,并推导得出相互独立的两个随机变量之和的峰度。通过数值仿真,表明了α稳定分布对尖峰态噪声建模的可行性和适应性。以安静环境、气枪干扰、航船干扰3种典型环境下的海上实测数据为样本,借助分位数图判断了样本的非高斯特性,并利用分位数法和特征函数法联合估计了模型的参数,得出了特征指数的统计规律:安静环境下特征指数接近2.0,趋近于正态分布;气枪干扰下特征指数介于1.2~1.7之间,具有尖峰厚尾特性;航船干扰下与航速、干扰源到接收位置距离有关,航船影响越显著,特征指数越小,该现象恰好与干扰噪声的峰度变化在物理意义上一致。模型验证结果表明,α稳定分布对3类样本均表现出良好的建模效果,尤其对具有尖峰特性的气枪干扰噪声,效果远远优于正态分布。      

实木板材抗弯强度的SWCSS-GFK-SVM数据迁移建模方法

木材的抗弯强度是木材重要的力学指标。光谱分析操作简单、方便、快速,已成为木材检测的重要手段。但是在应用中,面对检测环境的温湿度变化、仪器部件老化和附件更换等情况,采集到的光谱数据会发生一定程度的偏移。为了解决这一问题,以落叶松抗弯强度的近红外光谱预测模型为研究对象,针对不同类型光谱仪数据差异而导致主机模型泛化能力差的问题,提出了一种迁移学习与光谱转移校准结合的近红外光谱建模方法。加工200组落叶松板材试件样本,以NIRQuest512光谱仪为主机、One-chip微型集成光谱仪为从机,分别采集落叶松试材光谱数据,利用力学万能测试机检测试件力学真值;2类数据经过SNV、S-G、光谱剪切预处理后,从机数据使用PDS转移校正完成从机到主机光谱线性变换;然后,利用SWCSS对2类光谱数据进行特征提取,优选出主机与从机相关的稳定性一致光谱波段;最后,采用100组试件的2类近红外光谱数据进行GFK-SVM建模,得到适用于主机、从机设备的通用模型。为了验证模型方法的有效性,应用100组数据进行测试并对比了DS-PLS,PDS-PLS,DS-SWCSS-GFK-SVM和PDS-SWCSS-GFK-SVM等建模方法;结果表明,PDS采用了滑窗技术,方法相较DS方法可以更好地完成光谱数据的线形映射,在一定程度上提高了建模精度,统一了两组光谱仪之间的光程与波长数;SWCSS特征提取方法能够根据2组光谱数据集之间的差异与共性优选波段,保证特征选择的有效性与稳定性,提升建模精度;GFK-SVM适合不同光谱数据的迁移,能够通过合理的核函数参数优选实现不同类型光谱数据的高维映射,在高维空间中构建不同数据集的通用模型,实现主机模型在从机光谱预测上的泛化,提升了数据的使用效率,测试集相关系数R_p达到0.875,均方根误差RMSEP为11.975。     

基于改进Census变换的多特征背景建模算法

针对视频图像易受噪声干扰和背景变化复杂的特点,改进传统Census变换特征值对中心像素的依赖问题,建立Census模板以保持Census变换对光线变化的稳健性。将改进后的Census变换特征值、图像像素值、更新频数、最近更新时间和动态指数等多种特征融合,建立了一种新的背景建模算法。利用帧间亮度差,自适应选择融合多种特征更新背景模型,依据动态指数衡量背景变化复杂程度,建立不同的更新规则,提升模型对光线突变和复杂场景处理的稳定性。经测试多组标准视频序列,本算法检测精度优于其他算法,有效改善了光线突变对前景目标提取的影响,提高了对光线突变和复杂场景的稳健性,减少了运动目标的孔洞和像素漂移产生的假前景。     

直接校正算法的柑橘溃疡病高光谱模型传递

针对目前所建立的柑橘溃疡病高光谱模型普适性差、预测精度低的问题,提出了基于不同仪器间高光谱模型传递来提高模型稳健性的方法。以脐橙52和卡拉卡拉红肉脐橙为研究对象,利用实验室高光谱成像平台(System 1, S1)和便携式高光谱成像仪(System 2, S2)采集了健康和染病柑橘的高光谱图像,建立了独立的柑橘溃疡病判别模型,并分析了不同预处理方法和判别模型对模型预测性能的影响。将S1和S2分别作为源机和目标机,利用直接校正算法对目标机获取的高光谱图像进行校正,分析模型传递前后的模型判别能力。结果表明,采用二阶导数预处理,极限学习机预测性能最佳,基于S1和S2检测的预测集识别率分别为97.5%和98.3%;以S1数据建立主模型,对经直接校正算法校正后的S2高光谱图像进行识别,预测集的识别率从校正前的38.1%提高到了86.2%。说明该方法可用于不同型号高光谱成像仪之间的定标模型传递,对于建立稳健可靠的柑橘溃疡病判别模型具有重要意义。     

Whispered speaker identification based on feature and model hybrid compensation

In order to increase short time whispered speaker recognition rate in variable channel conditions,the hybrid compensation in model and feature domains was proposed.This method is based on joint factor analysis in training model stage.It extracts speaker factor and eliminates channel factor by estimating training speech speaker and channel spaces.Then in the test stage,the test speech channel factor is projected into feature space to engage in feature compensation,so it can remove channel information both in model and feature domains in order to improve recognition rate.The experiment result shows that the hybrid compensation can obtain the similar recognition rate in the three different training channel conditions and this method is more effective than joint factor analysis in the test of short whispered speech.     

模型与特征混合补偿法及其在耳语说话人识别中的应用

为了提高信道差异下短时耳语说话人的识别率,提出了一种在模型域和特征域进行混合补偿的方法。该方法首先在模型训练阶段以联合因子分析法为基础,通过估计训练语音的说话人空间和信道空间,提取出说话人因子,消除信道因子,其次在测试阶段,将测试语音的信道因子映射到特征空间,实施特征补偿,从而在模型和特征两方面去除信道信息,提高识别率。实验结果显示,在三种不同的信道训练环境下,混合补偿法都取得了相似的识别率,且新方法对短时耳语音的测试效果要优于联合因子分析法。      

用极点方法识别水下目标

本文中研究一种水下目标识别方法并介绍一组材料、大小、厚度不同的中空圆柱形水下目标的识别实验。我们分三步提取水下目标特征量。第一步是在频域上用短脉冲作为入射信号辨识脉冲响应函数。第二步用“卷积-修正递推最小二乘”法估计目标ARMA模型参数。第三步计算频域上的极点。我们用极点作为水下目标的特征量,并认为它是一个不变量。计算机模拟结果表明,同以AR参数作为特征量的方法相比较,极点法的抗噪声干扰能力改善12dB。我们采用匹配滤波分类器对水下目标进行分类。实验结果表明,在无噪声情况下,正确识别率可达100％。信噪比 关键词：     

联合稀疏表示在水下目标分类中的应用

水下目标分类识别的性能受所选特征的限制,多特征往往可以获得更加稳定的结果,针对这一问题,提出了一种基于联合稀疏表示模型的水下目标分类识别方法。首先对水下目标回波信号提取3种具有信息互补性与关联性的特征:中心矩特征、小波包能量谱特征、梅尔频率倒谱系数特征,然后应用加速近端梯度法对联合稀疏表示模型进行优化,求解得到最优联合稀疏系数,最后根据最小误差准则确定目标类别。在消声水池开展模拟实验,对6类目标进行分类识别,结果表明:与传统算法相比,提出的算法具有更高识别准确率,并且其执行效率较传统算法有很大提升。      

玉米品种近红外光谱鉴别技术中的参数漂移问题研究

以13个玉米品种鉴别为研究对象,提出了一种解决光谱仪参数漂移问题的有效方法。使用同一台光谱仪分不同时间重复采集数据,用一天数据建模,其余测试,发现不同时间采集的数据有较大偏移,严重时正确识别率仅为7.69%。为此,提出一种有监督学习特征提取的多天联合建模方法,首先挑选具有代表性的多个时间段样本数据共同组成建模集,其次采用PLS+LDA特征提取算法,提取出与仪器参数漂移无关的品种特征信息, 然后采用BPR方法建立品种鉴别模型。实验结果表明,该方法对于不同时间数据的偏移均能有较好的校正效果,得到较高的识别率和稳定性。     

可见-近红外多光谱数据对水稻种子成活率的判定

种子活性受到存储条件的影响很大。收集了真实情况下受到不同存储条件影响的种子,通过发芽实验验证了其成活率存在差异。再从中选择适量的种子样本,采集其单颗种子的可见-近红外反射光谱,运用不同的光谱预处理技术,结合不同的机器学习建模手段,以区分不同成活率的种子。比较了不同的光谱预处理方法,比如标准反射光谱校正、多元散射校正等。从识别准确度的角度,认为标准反射光谱校正的方法,能够很大程度上提升不同存活率种子的光谱差异性,从而经过机器学习判断达到更高的识别准确度。同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法,发现利用标准反射光谱校正的方法结合距离判别分析,能够对种子样本实现完全准确的判定。更进一步,为了满足实际运用中快速识别的要求,将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据,这样可以大大降低的光谱数据长度,节约各种机器学习器在训练和判断中所用的时间。使用简化过后的多通道带通光谱数据判定种子存活率,其识别准确度仍然接近90%。充分说明了,利用多通道宽带光谱数据,并选择合适的机器学习建模方式,足以满足实际选种产业的一般性需求,有潜力作为未来粮种成活率快速鉴别的技术手段。还采用了多种带通宽度以简化光谱,分析比较不同带通宽度对识别精度的影响。总体来说由于带宽增大,数据量减少,识别速度更快,但是识别精度降低。从10~50 nm改变光谱带宽,标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。在实际运用中,需要权衡识别速率和预期识别精度,合理的选择带宽。验证了根据简化后的可见近红外反射光谱,能够较快速且准确的识别水稻种子存活率,为以后的基于带通滤波片的快速种子存活率识别奠定了基础。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

基于光学小波微分预处理的联合变换相关目标识别

提出了一种基于光学小波变换微分预处理的光电混合联合变换相关系统,该系统利用同一光路可实时实现对输入图象的小波变换微分预处理和联合变换相关识别.实验结果表明:该系统能得到很尖锐的互相关峰,可显著提高联合变换相关器的识别能力.     

基于粗测位置和方位的三视场快速星图识别方法

为了在已知粗略方位角和地理位置时实现三视场天文定位定向设备的快速测量,给出了一种三视场定位定向设备的快速局部星图识别方法。分析了三视场定位定向设备使用全天球识别数据库执行三角形识别时识别效率低的原因;指出了应先进行视场内识别,后进行视场间识别以提高效率,并给出星图识别时角距误差门限的选取范围;给出了一种基于粗略位置和方位快速生成局部识别数据库的方法,它可以减少识别信息的冗余,实现高效的星图识别。仿真实验和野外实验结果表明：使用此局部识别方法正确识别率可达99.19%,识别速度为24.3 ms,基本满足三视场天文定位定向设备快速高效测量的要求。验证了局部星图识别方法的效率,以及采用先视场内识别后进行视场间识别方式的正确性。     

主成分分析结合支持向量机辅助激光诱导击穿光谱对塑料快速分类识别

大量废弃的塑料制品给生态环境造成严重破坏,当务之急是要对塑料进行分类回收。传统的分类方法普遍存在成本高,效率低,操作复杂等问题,不能满足工业生产的需要。激光诱导击穿光谱技术由于具备简单灵活,快速灵敏等优点,在物质鉴别领域有广泛应用。采用激光诱导击穿光谱技术结合主成分分析（PCA）和支持向量机（SVM）算法对20种塑料进行分类识别研究。由于目前有关塑料分类识别速率的研究报道较少,该实验在保证识别准确率的前提下,进一步研究和分析实验过程耗费的时间,满足工业生产中快速分类的要求。每种塑料采集100组光谱数据,随机选取50组数据作为训练集建立模型,余下50组作为测试集测试模型的分类识别效果,所以训练集和测试集各有1 000组光谱数据。将训练集的数据不加处理地输入SVM中进行训练,并采用5折交叉验证建立最佳模型,此时测试集的识别准确率为99.90%,建模时间为1小时58分41.13秒,预测时间为11.96 s。由此可见,单纯使用SVM算法可以得到很高的准确率,但是需要耗费大量时间。为了提高实验效率,引入主成分分析算法,将原来的高维数据变换成低维数据,并用降维后的数据训练模型。针对不同的主成分个数,均采用随机训练十次再取平均值的方法获得相关数值。实验表明,当选取主成分个数为13时,得到相应的识别准确率为99.80%,而PCA处理时间为1.44 s,建模时间为12.16 s,预测时间仅为0.02 s。虽然PCA算法结合SVM算法在对20种塑料进行分类识别时准确率有轻微下降,但是大大减少了模型训练的时间,实验效率得到很大程度的提高。结果表明,结合两种算法辅助激光诱导击穿光谱可以对塑料进行快速准确的分类识别。