基于深度信念网络的语音情感识别的研究

针对语音情感识别中的特征提取的问题,提出了一种新的特征提取方式,利用深度神经网络(DNN)中的深度信念网络(DBNs)自动提取语音信号中情感特征.通过训练一个5层的深度信念网络提取语音情感特征,把连续多帧的语音并在一起,构成一个高维的特征,把深度信念网络训练完的特征作为非线性支持向量机(SVM)分类器的输入端,最终建立一个语音情感识别多分类器系统.其识别率为86.5%比传统的基于提取句子的时间构造、振幅构造、基频构造等特征的方法提高7%.

一种基于压缩域的视频镜头检测方法

针对传统的基于空域的视频镜头检测算法需要解压缩,计算量大、效率低的缺点,提出了一种基于压缩域的视频镜头检测方法。该方法首先根据MPEG压缩标准,从视频流中提取I帧中8个低频DCT系数,并对其进行分区加权求二次帧差,从而确定镜头变换所在的GoP;在GoP中通过计算P帧和B帧的不同类型宏块比率,来精确定位镜头边界。实验结果表明,该方法可大大减少计算时间和数据量,且具有良好的检测效果。

基于比特承诺的视频安全责任认定方法

为了保证视频内容在公开网络中的安全传输和责任认定,在充分考虑视频编码和篡改特征的基础上,提供了一种视频特征提取方法,并对特征提取数据进行比特承诺。通过验证比特承诺数据来判断视频是否被篡改,以及确定篡改发生的区域;在发生非法视频传播时,发送方通过揭示承诺,实现责任认定。实验结果表明,该方法计算复杂度小,且具有良好的安全性和可靠性。

基于免疫算法的时间序列预测模型

在自然科学和社会科学中,大量的决策问题需要利用时间序列模型进行预测,针对时间序列参数估计的不精确,往往会对预测结果造成影响的问题,提出一种基于免疫算法优化时间序列模型参数的方案,该方案利用免疫算法精确计算的优势,先利用最大似然参数估计方法将时间序列模型的待定参数表示成其样本观测值联合概率的似然函数,然后使用免疫算法求得该函数的极值,从而可以得到时间序列模型的待定参数,最后为了验证该模型预测的精确性,使用上证指数和深证指数的金融时间序列的数据作为测试样本数据集,我们将预测结果与标准的ARMA时间序列模型和其他预测模型进行比较,以分析它的性能。