检索结果-维普期刊中文期刊服务平台

MMCE算法在FAGMM中的应用: 1; 作者吴延渠曾以成蒋阳波《声学技术》 CSCD 2010年第1期83-86,共4页; 提高说话人模型的识别性能一直是语音识别领域的一个重要课题。因子分析高斯混合模型(FAGMM)是因子分析方法与高斯混合模型(GMM)结合而成的多维概率统计模型,能更好地表征语音特征矢量的相关性,然而模型参数过多导致不能实现很好的分类... 展开更多; 关键词因子分析高斯混合模型(fagmm) 改进的最小分类错误(MMCE)算法 fagmm+MMCE模型; 在线阅读下载PDF 职称材料

贝叶斯非负矩阵分解语音增强的优化算法被引量：2: 2; 作者胡永刚张雄伟 +2 位作者邹霞张立伟郑云飞《解放军理工大学学报（自然科学版）》 EI 北大核心 2015年第1期1-6,共6页; 为改进传统贝叶斯非负矩阵分解(BNMF)语音增强算法的性能,提出基于高斯混合模型的贝叶斯非负矩阵分解语音增强算法。该算法分为训练和增强两个阶段,训练阶段,对纯净语音与噪声分别进行训练,得到纯净语音字典、噪声字典与联合字典;增强阶... 展开更多; 关键词语音增强贝叶斯非负矩阵分解高斯混合模型; 在线阅读下载PDF 职称材料

混合因子分析的重新抽样方法被引量：2: 3; 作者岳博焦李成《电子学报》 EI CAS CSCD 北大核心 2002年第12期1873-1875,共3页; 混合因子分析是一种对具有复杂结构的多维数据建立模型的方法.本文提出了一种进行混合因子分析的重新抽样方法.当给定一组数据样本时,我们首先建立样本概率分布的混合高斯模型,然后为每一个高斯混合项重新抽取新的数据样本,在新的样本... 展开更多; 关键词混合因子重新抽样方法因子分析混合高斯模型 EM算法学习模型; 在线阅读下载PDF 职称材料

基于GMM的增量式情感映射被引量：1: 4; 作者韩晶解仑 +1 位作者王志良任福继《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2018年第8期168-173,共6页; 为有效地获得用户的真实情感状态,促进和谐的人机交互体验.结合AVS情感空间和大五人格理论,提出一种基于高斯混合模型的增量式情感映射模型.首先,在AVS情感空间的3种属性(A,V,S)坐标轴上,利用高斯混合模型对情感类型进行依次建模,计算... 展开更多; 关键词情感映射 AVS情感空间高斯混合模型大五人格理论增量式学习; 在线阅读下载PDF 职称材料

多信号交叉口干线行程时间特性分析被引量：3: 5; 作者王福建卢一笑金盛《交通运输系统工程与信息》 EI CSCD 北大核心 2021年第4期132-139,共8页; 城市道路多信号交叉口影响下的行程时间分布及可靠性是交通流理论研究中的重要方向之一。本文基于灰色关联理论建立信号协调控制下的多信号交叉口行程时间影响因素模型。首先,对车牌识别数据进行预处理,得到路段和干线行程时间数据;然后... 展开更多; 关键词交通工程行程时间特性 BURR分布高斯混合模型影响因素; 在线阅读下载PDF 职称材料

一种面向船舶智能航行的海上目标实时跟踪算法被引量：5: 6; 作者卜瑞波徐海祥 +1 位作者冯辉余文曌《大连理工大学学报》 EI CAS CSCD 北大核心 2020年第1期30-35,共6页; 海上目标感知的准确性和实时性是实现船舶智能航行的前提和基础.为了满足以上要求,将有效卷积算子(ECO)引入海上船舶目标跟踪中.该算法以相关滤波为基础,响应最大值之处为目标船舶中心所在位置.获得中心位置之后,采用尺度滤波方法估计... 展开更多; 关键词智能船舶目标跟踪相关滤波高斯混合模型因式分解卷积; 在线阅读下载PDF 职称材料

题名MMCE算法在FAGMM中的应用: 1; 作者吴延渠曾以成蒋阳波; 机构湘潭大学光电工程系; 出处《声学技术》 CSCD 2010年第1期83-86,共4页; 基金湖南省自然科学基金(08JJ5031); 文摘提高说话人模型的识别性能一直是语音识别领域的一个重要课题。因子分析高斯混合模型(FAGMM)是因子分析方法与高斯混合模型(GMM)结合而成的多维概率统计模型,能更好地表征语音特征矢量的相关性,然而模型参数过多导致不能实现很好的分类。把改进的最小分类错误(MMCE)算法应用于该模型,形成一种新的FAGMM+MMCE模型,能解决前述问题,而且克服了传统的最小分类错误(MCE)算法在系统训练时不灵活、训练速度慢的缺点。实验结果表明,在30个说话人的识别应用中,本模型的识别率随着高斯混合数的增加而提高,较传统的MCE算法,识别率平均提高了3%,训练时间也平均节省了20%,说明该方法是有效的。; 关键词因子分析高斯混合模型(fagmm) 改进的最小分类错误(MMCE)算法 fagmm+MMCE模型; Keywords factor analyzed gaussian mixture model（fagmm） modified minimum classification error （MMCE） algorithm fagmm＋MMCE model; 分类号 TN912.34 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名贝叶斯非负矩阵分解语音增强的优化算法被引量：2: 2; 作者胡永刚张雄伟邹霞张立伟郑云飞; 机构解放军理工大学指挥信息系统学院; 出处《解放军理工大学学报（自然科学版）》 EI 北大核心 2015年第1期1-6,共6页; 基金国家自然科学基金资助项目(61471394) 江苏省自然科学青年基金资助项目(BK20140074 BK2012510); 文摘为改进传统贝叶斯非负矩阵分解(BNMF)语音增强算法的性能,提出基于高斯混合模型的贝叶斯非负矩阵分解语音增强算法。该算法分为训练和增强两个阶段,训练阶段,对纯净语音与噪声分别进行训练,得到纯净语音字典、噪声字典与联合字典;增强阶段,采用最小均方误差法(MMSE)从带噪语音中重构原始干净的语音,达到语音增强的目的。实验表明,该算法在提高语音质量和抑制背景噪声等方面,均优于非负矩阵语音分解(NMF)算法与BNMF算法。; 关键词语音增强贝叶斯非负矩阵分解高斯混合模型; Keywords speech enhancement Bayesian nonnegative matrix factorization gaussian mixture model; 分类号 TN912.3 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名混合因子分析的重新抽样方法被引量：2: 3; 作者岳博焦李成; 机构西安电子科技大学雷达信号处理重点实验室; 出处《电子学报》 EI CAS CSCD 北大核心 2002年第12期1873-1875,共3页; 基金国家自然科学基金(No.60073053); 文摘混合因子分析是一种对具有复杂结构的多维数据建立模型的方法.本文提出了一种进行混合因子分析的重新抽样方法.当给定一组数据样本时,我们首先建立样本概率分布的混合高斯模型,然后为每一个高斯混合项重新抽取新的数据样本,在新的样本上再对每一个高斯混合项进行因子分析.与已有的算法相比较,避免了计算各个高斯混合项在每个样本值之下的后验概率,又减少了进行因子分析时参与计算的数据样本的数量.; 关键词混合因子重新抽样方法因子分析混合高斯模型 EM算法学习模型; Keywords factor analysis gaussian mixture model EM algorithm sampling; 分类号 O212.4 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名基于GMM的增量式情感映射被引量：1: 4; 作者韩晶解仑王志良任福继; 机构北京科技大学计算机与通信工程学院情感计算与先进智能机器安徽省重点实验室(合肥工业大学); 出处《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2018年第8期168-173,共6页; 基金国家重点研发计划重点专项课题(2016YFB1001404) 国家自然科学基金面上资助项目(61672093) 国家自然科学基金重点资助项目(61432004); 文摘为有效地获得用户的真实情感状态,促进和谐的人机交互体验.结合AVS情感空间和大五人格理论,提出一种基于高斯混合模型的增量式情感映射模型.首先,在AVS情感空间的3种属性(A,V,S)坐标轴上,利用高斯混合模型对情感类型进行依次建模,计算情感概率值及其空间分布;其次,针对用户的个体差异性,采用层次分析法研究人格五因素与情感属性之间的关联,获得用户的个性化认知参数,实现具有个性化认知的情感映射结果;之后,采用增量式学习方法对情感类型的分布空间进行实时修正,保证情感分类的高准确率.最后,实验结果验证了该方法的情感映射结果与用户的真实情感状态具有高度一致性,并有较好的自适应性.; 关键词情感映射 AVS情感空间高斯混合模型大五人格理论增量式学习; Keywords emotion mapping AVS emotional space gaussian mixture model five-factor model incrementallearning; 分类号 TP751.1 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名多信号交叉口干线行程时间特性分析被引量：3: 5; 作者王福建卢一笑金盛; 机构浙江大学建筑工程学院; 出处《交通运输系统工程与信息》 EI CSCD 北大核心 2021年第4期132-139,共8页; 基金国家重点研发计划(2018YFB1601000) 国家自然科学基金(92046011)。; 文摘城市道路多信号交叉口影响下的行程时间分布及可靠性是交通流理论研究中的重要方向之一。本文基于灰色关联理论建立信号协调控制下的多信号交叉口行程时间影响因素模型。首先,对车牌识别数据进行预处理,得到路段和干线行程时间数据;然后,利用Burr分布和高斯混合模型对数据进行分布拟合,并进行拟合优度检验;最后,利用灰色关联法分析交叉口数量、干线长度和干线流量与行程时间特性之间的关联关系。结果表明,单路段行程时间分布具有明显的双峰现象,高斯混合模型适用于单路段行程时间的拟合;而Burr分布可以较好地描述多信号交叉口干线行程时间分布右偏和高峰值的特征。交叉口数量、干线长度和干线流量与行程时间特性之间有较强的相关性,且干线长度的影响更为显著,随着干线长度的增加,行程时间趋于一个稳定的单峰分布,波动性减小,可靠性增加。; 关键词交通工程行程时间特性 BURR分布高斯混合模型影响因素; Keywords traffic engineering travel time characteristics Burr distribution gaussian mixture model influence factor; 分类号 U491 [交通运输工程—交通运输规划与管理]; 在线阅读下载PDF 职称材料

题名一种面向船舶智能航行的海上目标实时跟踪算法被引量：5: 6; 作者卜瑞波徐海祥冯辉余文曌; 机构武汉理工大学高性能船舶技术教育部重点实验室武汉理工大学交通学院; 出处《大连理工大学学报》 EI CAS CSCD 北大核心 2020年第1期30-35,共6页; 基金国家自然科学基金资助项目(51879210) 中央高校基本科研业务费专项资金资助项目(2019III040,2019III132CG); 文摘海上目标感知的准确性和实时性是实现船舶智能航行的前提和基础.为了满足以上要求,将有效卷积算子(ECO)引入海上船舶目标跟踪中.该算法以相关滤波为基础,响应最大值之处为目标船舶中心所在位置.获得中心位置之后,采用尺度滤波方法估计出船舶目标的最佳尺度,从而完成对目标当前帧的跟踪.利用因式分解卷积的方式分解卷积,降低数据维度,减少计算时间;采用高斯混合模型将样本分成不同类别,降低训练集样本冗余度;采用稀疏更新策略更新样本模型,防止过拟合问题.选取海洋环境下船舶不同运动场景作为实验样本,与几种常用跟踪算法对比,验证了ECO算法在海上船舶目标跟踪上的准确性和实时性.; 关键词智能船舶目标跟踪相关滤波高斯混合模型因式分解卷积; Keywords intelligent ship target tracking correlation filtering gaussian mixture model factorization convolution; 分类号 U664.82 [交通运输工程—船舶及航道工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	MMCE算法在FAGMM中的应用	吴延渠曾以成蒋阳波	《声学技术》 CSCD	2010	0	在线阅读下载PDF 职称材料
2	贝叶斯非负矩阵分解语音增强的优化算法	胡永刚张雄伟邹霞张立伟郑云飞	《解放军理工大学学报（自然科学版）》 EI 北大核心	2015	2	在线阅读下载PDF 职称材料
3	混合因子分析的重新抽样方法	岳博焦李成	《电子学报》 EI CAS CSCD 北大核心	2002	2	在线阅读下载PDF 职称材料
4	基于GMM的增量式情感映射	韩晶解仑王志良任福继	《哈尔滨工业大学学报》 EI CAS CSCD 北大核心	2018	1	在线阅读下载PDF 职称材料
5	多信号交叉口干线行程时间特性分析	王福建卢一笑金盛	《交通运输系统工程与信息》 EI CSCD 北大核心	2021	3	在线阅读下载PDF 职称材料
6	一种面向船舶智能航行的海上目标实时跟踪算法	卜瑞波徐海祥冯辉余文曌	《大连理工大学学报》 EI CAS CSCD 北大核心	2020	5	在线阅读下载PDF 职称材料