基于概率神经网络的数字音识别

本文主要利用概率神经网络和动态时间规整技术来实现数字音的识别研究。结论是在利用概率神经网络进行语音识别时可以达到比较高的识别率,此外动态时间规整函数的加入,解决了神经网络的模板规整问题。作为语音识别技术的基础,其中包含了小波的基础理论,语音的预处理,DTW技术,端点检测等基础技术。对于神经网络的加入,更加有利于深入了解神经网络这一新兴技术。     

基于VQ的与文本无关的说话人确认系统

通过介绍说话人确认系统，采用能够反映人对语音的感知特性的Mel频率倒谱系数（MFCC）作为特征参数，同时提出了用训练得到的码本以及平均失真作为表征说话人的模型，对说话人确认系统中距离测度做出了相应的改动。实验结果表明系统具有较好的性能。     

GridMol2.0: Implementation and application of linear-scale quantum mechanics methods and molecular visualization

GridMol is a “one-stop” platform for molecular structure building, scientific computing, and molecular visualization aided by a high-performance computing environment. GridMol version 2.0 introduces two unique features: the first is fragment-based linear-scaling quantum chemistry methods, such as molecular fractionation with conjugate caps and fragment molecular orbital methods; the second is that GridMol enables users to visualize molecular geometries along a geometry optimization and an intrinsic reaction coordinate calculation. Compared with version 1.0, fragment-based linear-scaling quantum chemistry methods implemented in GridMol version 2.0 can be used as a useful tool for performing quantum calculations for large molecular systems to explore the mechanisms involved in protein-ligand or targeted drug interactions.     

基于MFCC与神经网络的小蠹声音种类自动鉴别

昆虫发出的各种声音具有种间特异性,是非常可靠的分类依据。利用这一特性,本实验旨在探索一种对昆虫自动分类的新方法。本实验录制了红脂大小蠹、云南切梢小蠹、短毛切梢小蠹和华山松大小蠹4种小蠹虫的胁迫声,利用Adobe Adition2.0对每个声音文件进行降噪,再将其截取成只含有一个脉冲组的声音片段。在MATLAB环境下对这些声音片段进行端点监测并提取12维的MFCC（Mel频率倒谱系数）,然后将此特征参数输入BP神经网络进行训练和检测。设置训练样本数为20、40、60、80、100,4种小蠹检测样本数分别为54、95、54、50,结果显示识别率随着训练样本数的增加而提高,在训练样本量为100时的最高识别率达到98.14%,平均识别率为93.29%,收到了较好的效果。为了验证小蠹种类数对识别率的影响,本实验对4种小蠹进行了两两比较,结果显示总体上高于4种一起识别的结果。     

基于MFCC和二乘向量机的话者识别系统

讨论了以二次等式约束条件为基础的一种改进的向量机即最小二乘向量机(LSSVM)算法,用其对话者进行识别,并与传统的支持向量机(SVM)进行了识别比较。实验中,采用美尔倒谱系数(MFCC)作为话者语音特征参数。实验表明,基于LSSVM的话者识别比传统的SVM话者识别计算复杂度小,训练时间短,效率更高;同时,识别率也有一定的提高,对话者识别有很强的适应性。     

基于MFCC的说话人识别系统

说话人识别可以被看作语音识别的一种,是当前的研究热点之一.本文实现的说话人辨认系统,采用能够反映人对语音的感知特性的Mel频率倒谱系数（Mel-Frequency Ceptral Coefficients ,MFCC）作为特征参数.试验比较了MFCC、差分MFCC组合MFCC分别与VQ、DTW相结合的识别率.得出差分MFCC组合MFCC优于MFCC.     

二次特征提取及其在说话人识别中的应用

传统的特征提取方法在处理小范围的说话人识别时尚可为之，但是在较大用户群的情况下，由于特征覆盖范围不够导致性能下降。鉴于此，本文提出了一种新的二次特征提取方法，它通过综合运用加权、微分、组合、筛选等方法，进一步挖掘说话人语音背后的隐性个性差异。在采用138人的YOHO数据库上进行的说话人识别测试中，其性能优于传统的特征提取方法。