一种新的量子神经网络训练算法

量子神经网络是一种借鉴量子理论中的态叠加思想而设计的单隐层前馈神经网络,其主要用于数据分类。由于采用多层激励函数神经元,并且在量子间隔训练中采用了新的目标函数,即同类输入数据的隐层节点输出方差最小,从而使量子神经网络具备了发掘不同类别数据间模糊性的能力。但由于训练时对量子神经网络权值和量子间隔使用了不同的目标函数,使迭代过程中两者不可避免的会出现相互冲突,从而导致训练迭代次数的增加和网络性能的下降。本文借鉴约束优化理论,在两个目标函数的梯度下降求解中引入了惩罚函数,提出了一种新的量子神经网络训练算法,消除了两个目标函数间的冲突。实验结果表明,本文提出的训练算法可以显著提升训练的速度和网络的性能。      

双向中继信道的模拟网络编码最优功率分配

在双向信息非对称条件下,研究了基于模拟网络编码的双向中继信道中的最优功率分配问题。分别给出了中断概率最小化、和速率最大化意义下的最优功率分配闭式数学表达式,并证明了两种约束下最优功率分配问题的统一性。分析表明:现有的基于模拟网络编码的双向中继信道中的最优功率分配方法是本文提出方法在某些条件下的特例。计算机仿真分析证明了提出的最优功率分配方法在中断概率和和速率性能方面均优于平均功率分配方法。      

基于隐变量模型的语音转换方法研究

传统语音转换方法利用说话人声音特征映射实现,容易造成过平滑（over-smoothing）和过拟合（over-fitting）问题。本文从语音信号内容与形式分离角度,利用隐变量模型提出了一种全新的语音转换方法。首先利用包含两个隐变量因子的隐变量模型（Latent Variable Model, LVM）建立语音信号的生成模型;然后采用最大似然方法把语音信号分解成表示语义的内容信息和体现说话人特征的形式信息,并估计出模型参数;最后基于LVM生成模型,利用说话人形式替换方法实现语音转换。主、客观测试结果表明,在相同训练集条件下,本文提出的语音转换方法性能明显优于GMM方法,并且隐变量模型和传统的双线性模型（Bilinear Model）相比,由于采用非线性关系描述内容与形式之间的相互作用,因此分离效果更好,语音转换质量更高。