基于改进Leader算法的Web存取模式的聚类

介绍了一种新颖的Web存取模式的聚类算法,该算法是一种结合粗糙理论和模糊理论的改进Leader算法,既体现了粗糙理论和模糊理论在处理含有不确定信息问题上的优势,同时使用了Leader算法进行聚类以提高算法的时间复杂度,从而在Web存取模式的聚类中的聚类的时间花费是令人接受的而且聚类结果是相对满意的。通过实例分析及实验结果,该算法是行之有效的。

基于粗糙k-均值的web事务的聚类

在web挖掘的聚类分析中,类与类之间不一定存在清晰的边界.而且由于web浏览过程和web日志内存在各种各样的原因,存在大量错误的或不完全的数据的可能性很高,因此许多研究者使用模糊理论的方法对web数据进行聚类分析.本文提出了基于粗糙理论的粗糙k-均值的聚类方法,在聚类过程中,每个web事务被转换成等长的向量形式,并给出它们的相似性度量,而且每个类由一个边界模糊的粗糙集来表示,然后利用改进的粗糙k-均值法对web事务进行聚类.最后给出了实例说明和实验分析.

基于噪声特性的语音增强算法

针对不同的语音增强算法对不同噪声的增强效果不同,提出了一种基于深度神经网络的噪声分类的语音增强算法。首先,使用深度神经网络(DNN)算法对噪声进行分类。分类算法包括训练阶段和分类阶段。在训练阶段,采用babble,car,street,train四中噪声对DNN进行训练;在分类阶段,将提取的噪声输入训练好的DNN中,得到分类结果,并对分类性能进行评估。其次,采用PESQ,LSD及SNR等语音评估方法,对不同的含噪语音在不同信噪比、不同语音增强算法下进行评估。语音增强算法包括子空间法、维纳滤波算法、谱减法及对数最小均方误差法(log MMSE),噪声包括babble,car,street,train,信噪比为-5db,0db和5db,并对通过评估得到的值采用平均值法得到噪声和语音增强算法的最佳匹配;最后,针对不同分类噪声,采用不同的增强算法进行语音增强,并对4种噪声之外的噪声根据本文算法选取相应的语音增强算法。

提取耳蜗熵的语音可懂度评价算法

为了提高主观和客观听力条件下语音可懂度的相关度,提出用耳蜗熵值来衡量语音的可懂度。利用提取的耳蜗熵值分段后的语音作为归一化协方差(normalized covariance measure,NCM)的语音可懂度算法的输入,分析高熵值语音段和低熵值语音段主客观相关系数的高低。结果表明,提取的高耳蜗熵值语音段比低熵值语音段对语音可懂度算法与主观评价的相关性高,高熵值语音段携带有更多的语音信息。

一种基于高斯分布的SVM核参数选择方法

针对支持向量机(Support Vector Machine,SVM)研究中的核选择问题,在Amari和Wu提出的保形变换方法的基础上,提出了一种基于高斯分布的SVM核参数选择方法.分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性.在Matlab实验环境下,采用两组数据集进行了数值仿真,仿真结果说明了本文所提方法的可行性与有效性.