多层前馈神经网络快速学习算法的实现

本文评述优化学习率BP(Back Propagation)算法,给出应用研究中几种常用网络结构的优化学习率的计算公式,讨论与算法实现相关的一些问题.模拟实验结果进一步揭示算法的快速性质.     

875机房调频发射机的改频

调频发射机改频需根据发射机的具体工作情况。采取不同的改频调整方法，早期生产的发射机改频过程比较繁琐，需要对激励器锁相环中的数字分频电路进行分析计算，根据所要更改频率的不同。采用硬开关编码方式设置分频电路的分频次数，然后再对每一级功放的输入、输出电路进行调整。“西新工程”建设中875机房更新的调频发射机均为全固态发射机，激励器全部采用意大利R．V．R公司生产，具有操作简捷直观。现将我对新旧调频发射机改频方法的两个特例提供给同行，以供参考。     

语音识别的自适应束剪枝方法

在语音识别的应用中,如何提高识别的效率性是一个重要的方向。尤其在大词汇表的识别中,庞大的搜索空间带来相应的计算代价,而传统剪枝方法在减少计算量的同时牺牲了识别率。为此引入自适应控制理论,自动调整束宽限定搜索空间在预定的规模。在此基础上,又提出了利用基线系统的平均激活模型音子模型实例作为自适应系统动态参考值的方法,实现启发式的束宽调节。应用此方法的解码器在不损失识别率情况下,计算时间和搜索空间比采用传统剪枝算法下降了55％和71％,显著地提高了解码器的效率。     

基于相位的尺度自适应立体匹配方法

本文实现了一种高效的基于相位的尺度自适应的立体匹配方法,基于相位的立体匹配算法,是目前最为先进的立体匹配算法,具有视差精度高,稳定性好,可以并行计算等优点,对于常见的相位“卷绕”问题,常采用“由粗及细”的逐步求粗策略,但是,相位信号在尺度,位置空间中的极点的邻域内不稳定,此时,逐步求精策略可能产生不可恢复的错误,存在鲁棒性问题,解决的方案是采有某种尺度自适应的方法,我们针对多尺度滤波器的构造问题提     

一种语音信号非周期性、周期性及基频检测的改进方法

APP方法可以准确检测语音信号中的非周期性、周期性和基频,是近年提出的一种先进检测新方法,对于语音基础研究和语音技术应用研究有重要作用。APP方法的最大优点是可以同时检测语音信号的基频周期、周期成分和非周期成分的能量比例,而最大缺点是计算代价巨大,运行时间为110倍实时,成为实际应用的最大障碍。该文在深入剖析APP方法的基础上,从原理架构和技术实现两个方面消除不合理的冗余处理,提出新的改进途径,发展成为改进的APP方法,即MAPP方法。MAPP方法不但加强了APP方法处理机制的合理性基础,改善基频检测的准确性和鲁棒性,而且提高计算效率约1个数量级,在CPU时钟频率为1.70GHz和内存为512MB的Pentium 计算机上的运行时间加快到12.3倍实时。     

汉语听觉视觉双模态数据库CAVSR1.0

听觉视觉双模态语音识别在国际上已经逐渐成为当前语音识别的热点之一,汉语的双模态识别研究也已开始启动。然而,由于视觉信息获取及处理难度极大,目前的双模态语音数据库的建设尚显薄弱,汉语方面更是空白。鉴于此,我们在进行听觉视觉双模态语音识别关键技术研究的同时,在分析国外同类数据库的结构的基础上,结合汉语语音的特点,建立了汉语语音的第一个双模态数据库ＣＡＶＳＲ１．０。它具有如下特点：采用的语料涵盖所有声韵母,其规模（总数据量、音节量）超出目前国际上同类数据库;语料分布符合汉语声韵母的实际分布概率,因此其反映的规律具有代表性;捆绑了自动音节分割程序及脸部主要特征标定程序,使数据库具有很强的可扩展性。     

一种能够检测所有交叉歧义的汉语分词算法

本文给出了一种能够检测句子中所有交叉歧义的汉语分词算法.该算法基于"长词优先"的切分原则.它解决了切分路径数随句子长度的增长而呈几何级数增长的问题,并且提供了一种方法可将句子的覆盖歧义和交叉歧义分开处理.算法的运算复杂度为O(N),N为句子长度.它的输出使得进行下一步处理的运算量大大减少.     

汉语语音识别研究面临的一些科学问题

本文简述汉语语音自动识别从实验室技术过渡到实际商用技术所必须解决的一些科学问题，列举了汉语语音编码的结构特点和规则，强调（１）在汉语音节的声母、韵母层面上的语言模型对语音的识别很有帮助，也会提供文字语言和讲话语言的有用知识；（２）使用区别性导引特征和描述性均匀特征有助于加速语音识别的搜索速度，减少失配和改善对音位变体的细分，本文还着重讨论了在语音信号的声学处理环节提高语音识别鲁棒性的重要问题和途径，文中还提出了标注性学习、提示性猜测的逐步过渡的训练和自适应方法，用于汉语大词汇连续语音识别。     

电话语音回声消除的研究

为了消除电话语音系统中的反射回声,本文通过对电话信道的研究,提出通过估算信道冲击响应,得到提示语音经过信道卷积后的结果,从而抑制回声的算法.与LMS自适应算法相比,它可获得很好的回声抑制和对原始信号的保真效果.回声抵消后,语音识别正确率和准确率分别提高约29%和60%.