基于VEMAP的说话人识别鲁棒性研究

为了改善发声力度变化对说话人识别系统性能的影响.针对不同发声力度下语音信号的分析,提出了使用发声力度最大后验概率(Vocal Effort Maximum A Posteriori,VEMAP)自适应方法更新基于高斯混合模型-通用背景模型(Gaussian Mixture Model-Universal Background Model,GMM-UBM)的说话人识别系统模型.实验表明,所提出的方法使不同发声力度下系统EER％降低了88.45％与85.16％,有效解决了因发声力度变化引起的训练语音与测试语音音量失配,从而导致说话人识别性能降低的问题,改善说话人识别系统性能效果显著.     

密度泛函理论方法研究锂离子电池电解液体系分子-离子结构

采用密度泛函理论方法,研究锂离子电池碳酸丙烯酯（PC）基电解液体系中锂盐离子与溶剂分子静电相互作用形成的可能结构. 计算结果表明,电解液中溶剂分子-离子的结构取决于体系的溶剂分子数. 在PC基电解液,Li⁺最多只能与4个PC溶剂分子相结合,锂盐阴离子与带正电的PC分子烷基基团相结合,而不以自由离子形式存在. 本文的计算结果能很好地解释文献报道的实验结果.