基于Cisco NetSpace及“学在浙大”的线上线下融合教学研究——以“无线网络应用”课程为例

以Cisco NetSpace及“学在浙大”为线上教学平台,以浙江大学—思科网院实验室及浙江大学TP-LINK无线网络实验室为线下教学平台,采用线上智慧学习与线下探究实验相融合的教学模式,将Cisco CCNA7网络技术在线培训用于“无线网络应用”实验课程教学,设计实现了一套线上线下融合教学系统。教学实践表明,该系统能明显提高学生解决实际问题的动手实践能力,教学效果显著,取得了省一流课程等教学成果,促进了浙江大学实验课程线上线下融合教学水平的提升。

二阶隐马尔可夫模型的学习算法及其与一阶隐马尔可夫模型的关系

研究和推导了二阶隐马尔可夫模型 (HMM2 )的学习算法 ,其中包括前向、后向变量的定义与计算 ,Viter-bi算法 ,以及 Baum - Welch算法 .同时还研究了 HMM2与一阶隐马尔可夫模型 (HMM1)之间的关系 ,发现对任给的 HMM2 ,总存在一个 HMM1与之等价 ,提出了 HMM2与 HMM1的等价性定理 。

一种时间规整算法在神经网络语音识别中的应用

提出一种新的网络结构，这种网络能够很好地解决神经网络语音识别中的时间规整问题．该网络从输入语音信号的特征矢量序列中提取一组固定数目的特征矢量，然后将这组特征矢量馈入神经网络分类器进行识别．和其他的神经网络语音识别方法相比较，用这种网络进行前端处理，可以缩短后端神经网络分类器的训练和识别时间，简化分类器的网络结构并保持较高的识别率．

有序聚类方法及其在神经网络语音识别中的应用

本文提出了一种新的网络结构，我们称之为有序聚类网络。这种网络能够对语音信号进行特征提取，很好地解决神经网络语音识别中的时间规整问题。有序聚类网络从输入语音信号的特征矢量序列中提取出一组固定数目的特征矢量，然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较，用这种网络进行前端处理，可以缩短后端神经网络分类器的训练和识别时间，简化分类器的网络结构并保持较高的识别率。根据该方法我们建立了一个语音识别系统,并对两组英语单词进行了识别测试。实验结果表明，该方法优于传统的隐马尔可夫模型方法以及其它一些神经网络方法。

一种CDHMM/MLP混合模型及其在语音识别中的应用

本文提出了一种由连续隐马尔可夫模型（CDHMM）与多层感知器（MLP）构成的混合模型，并将该模型应用于语音孤立词识别。这种混合模型首先用CDHMM来获取输入信号的动态特性，然后再以MLP分类器对输入信号进行分类识别。其主要目的是通过MLP分类器，对CDHMM中的似然估计值进行分析、分类，以加强和提高CDHMM的分类能力。根据这种混合模型，我们建立了一个含30个英语单词的语音识别系统。实验结果表明，该系统的识别率明显高于传统的CDHMM方法。

基于三阶累积量的语音信号的基音周期检测

本文提出了一种新的语音信号的基音周期检测方法,该方法根据语音信号的三阶累积量去确定语音信号的基音周期,能有效地排除白色或有色的高斯加性噪声所带来的干扰。与传统的基音周期估计的自相关函数法或平均幅度差函数法(AMDF)相比,该方法更精确、有效,具有更强的鲁棒性。

Principal Component Feature for ANN-Based Speech Recognition

Using function approximation technology and principal component analysis method, this paper presents a principal component feature to solve the time alignment problem and to simplify the structure of neural network. Its extraction simulates the processing of speech information in human auditory system. The experimental results show that the principal component feature based recognition system outperforms the standard CDHMM and GMDS method in many aspects.

语音信号的主分量特征

利用曲线拟合与主分量分析神经网络相结合的方法，提出了一种既反映声道变化规律又符合人耳听觉特点的语音识别新特征． 与其他神经网络识别特征相比，新特征不仅可以提高语音识别准确率，而且具有算法简单、存储容量小、便于实时实现的特点．

基于HMM与RBF的混合语音识别新方法

提出了一种隐马尔可夫模型（ＨＭＭ）和径向基函数神经网络（ＲＢＦ）相结合的语音识别新方法。该方法首先利用ＨＭＭ生成最佳语音状态序列，然后用函数逼近技术产生对最佳状态序列进行时间规正，最后通过ＲＢＦ神经网络进行分类识别。理论和实验结果表明，该系统比ＨＭＭ具有更好的识别效果，特别对提高易混淆词的识别性能尤为显著。

基于加权全局时频特征的易混淆词识别

针对易混淆词特征差异小、分类决策困难的特点，提出了一种新的语音识别特征．该特征可以根据待识单词的发音特点，通过选用合适的基函数及加权处理，突出混淆单词特征之间的差异性；同时，根据其矢量维数相等的特点，利用静态神经网络分类决策能力强、容错性好的优点进一步提高系统的识别性能．实验结果表明，所用方法比传统的ＤＨＭＭ方法和其他神经网络语音识别方法具有更好的识别效率．

自主性、开放式、实践性的电子设计课程教学改革探索

本文针对电子设计课程中的理论课和实验课的教学方法改革进行了探索性创新性研究,结合电子信息技术工程研发基础和现代网络计算机辅助工具,引入了自主性选题、开放式实验实践教学、创新性案例式教学、互动性讨论式教学、实验进度检查表制度、实验设计作品答辩制度等形式,并取得了较为明显的教学成效,从而探索出了一套有利于创新人才培养的有效性教学方法。