语音的音素状态模型

本文中我们定义特征矢量的分布为d维高斯密度,语音序列为状态转换的马尔可夫过程,这个假设区别于标准的HMM,主要表现在状态密度函数是由具有音素标识的特征矢量进行有监督学习,每种音素标识对应于语音生成机构的一个物理状态。特征矢量由对应于各音素的语音波形段中得到。其特征空间对应于m个d维高斯密度,一个特征矢量对于每个音素状态有与之相联系的有限的生成概率。我们提出一种训练HMM=(П,A,B,)的新方法,П是一个m维的初始状态概率矢量,A是m×m的状态转移概率矩阵,B描述系统处于某一状态时出现的一定观测值的一组概率密度函数,它在本算法中不需要参加模型的优化训练。     

分形神经网络中的收敛性

近年来,许多学者对具有联想记忆功能的神经网络模型进行了广泛研究,提出了多种模型结构和学习算法,其中有代表性的是 Hopfield 模型。但该模型的记忆容量很有限,误差校正能力也不强。所以,寻找高性能的新的联想记忆模型,是神经网络研究中的一个重要内容。     

利用伪随机序列相关辨识检测视觉诱发电位

诱发电位在临床诊断及中枢神经系统的研究中有重要意义。目前的诱发电位检测方法是平均法，由平均法获得的诱发电位远不能满足许多实际应用的需要。本文利用伪随机序列相关辨识技术，实现了快速检测视觉诱发电位。文中对这项技术的原理作了详细的描述，给出了检测算法，并分析了检测信噪比相对平均法的改善情况。实验结果显示，这项技术能大大缩短检测时间，对克服时变因素的影响，减少病人的痛苦，以及对诱发电位在神经外科手术中的应用都有深远意义。     

时序自适应滤波技术用于听觉诱发电位的跟踪

本文针对诱发电位是具有重复出现特性的非平稳信号这一特点，利用时间序列自适应滤波技术对听觉诱发电位进行动态跟踪，时间序列自适应滤波技术将非平稳的听觉诱发电位进行分段处理，每段用一个专门的ＬＭＳ自适应信号增强滤波器来实现，实验表明，利用这一新方法不但能够得到优于常规平均技术的结果，更重要的是它能不断地跟踪诱发电位的变化轨迹，提供变化的细节，为临床诊断和神经生理学的研究提供有力的手段。     

视觉诱发电位的自适应处理

本文介绍了一种利用自适应信号增强技术检测并跟踪视觉诱发电位的新方法，自适应信号增强器有两个输人端，其主通道输人为带噪声的原始记录；参考输人需经设计使系统产生最佳性能，我们用移动窗口平均法形成动态参考输人，使系统具备较好的跟踪能力实验表明，利用这种方法可以检测到单一记录的视觉诱发电位信号，并能获得信号随时间变化的轨迹。