A fuzzy adaptive smoothing approach to robust endpoint detection based on MDL using sub-band speech

To develop a more robust endpoint detection algorithm, this paper first proposes a fuzzy adaptive smoothing algorithm. The general idea underlying adaptive smoothing is to adapt the short-term sub-band mean of the amplitude to the local attributes of speech on the basis of discontinuity measures. The adaptive smoothing algorithm in this paper utilizes a scale-space framework through the minimal description length （MDL）. We recommend using the fuzzy muhi-attribute decision making approach to select the proper sub-bands where the word boundary can be more reliably detected. The process and simulation of the fuzzy adaptive smoothing algorithm are given. The parameters utilize the mean amplitude of the audible frequency range （300 -3 700 Hz） and the sub-band mean of the amplitude （16 band filter-bank）. We selected the audible band energy because of its usefulness in detecting high-energy regions and making the distinction between speech and noise. Otherwise, the fuzzy adaptive smoothing algorithm is processed in sub-band speech to utilize the full range of frequency information.

单通道信源数估计的改进方法

本文对单通道接收信号的源数估计方法进行了研究,提出了对现有方法的改进措施.将单通道数据通过延迟处理转换为多通道形式,然后引入阵列信号处理中的信源数估计算法,如盖氏圆盘估计法(Gerschgorin’s Disk Estimation,GDE)和最小描述字长法(Minimum Dscription Lengh,MDL).基于信息理论标准(ITC)的MDL方法在低SNR条件下获得比GDE更好的性能,但是它无法处理包含有色噪声的信号.GDE方法虽然可以克服有色噪声的影响,但是其在低SNR下的性能欠佳.基于上述考虑,本文对这两种方法进行了改进.采用对角加载技术改善MDL方法的性能,并引入Jackknife切法优化数据协方差矩阵,以提高GDE方法的性能.模拟实验结果表明:本文提出的方法使原有方法的性能得到很大改善.

模型未知的非双曲型非线性序列去噪算法

针对模型未知的非双曲型非线性序列难以实现去噪和轨迹重影的问题,基于模型选取的最小描述长度准则,从过拟合和欠拟合的角度分析边缘误差算法对离散系统的非最优性和不适应性,利用改进的全局误差算法对系统进行建模,结合梯度下降方法的稳定性和Newton-Raphson算法的快速收敛性提出一种融合算法,用于在机器精度内实现非双曲型非线性离散系统时间序列的去噪和轨迹重影。通过辅以极少点数的无污染序列和仅从单变量受扰观测序列2项实验验证该算法的有效性。

组合与概率的连续特征权衡量化方法

连续特征量化方法是数据挖掘方法中必要的预处理过程。呈现一种组合与概率的连续特征权衡量化方法。基于最小描述长度以及组合与概率理论,提出连续特征量化的权衡标准,能够在量化所导致的分类错误与量化区间信息之间得到合理的权衡;基于该权衡标准提出一种有效的动态规划量化算法,以找到最好的量化结果;量化后的数据采用naive贝叶斯分类器进行分类预测,与其他连续特征量化方法的对比实验结果表明,新方法得到了较高的平均学习精度。

基于CSMDEM算法的GMM学习方法

基于Mahalanobis距离的EM(MDEM)算法存在过分裂问题。为此,提出一种竞争结束MDEM(CSMDEM)算法。该算法将最小描述长度准则作为竞争结束条件嵌入到MDEM算法中,能够在估计混合模型参数的同时选择模型阶数。实验结果表明,该算法具有较低的平均EM迭代次数,能够较好地拟合高斯混合模型。当其被应用到跳频网台分选时,能够以较高的正确率分选跳频信号。

一种非双曲型非线性离散系统次最优建模方案

研究非线性系统建模是一个NP-hard问题,若系统因稳定流与不稳定流平行均属于非双曲线型时,上述研究将变得更加明显。对同一中搜索算法,Total Error性能明显优于Marginal Error。当不同的算法和策略混用时,后次迭代以前次迭代的结果集为基础往往优于以全基函数集为基础的迭代。结合以上特点,模型选取的最小描述长度(Minimal Description Length)准则,给出了一种新的全局误差(Total Error)次最优选取算法。算法结构清晰,易于实践。多次试验中,对不同的受扰序列,总体时间开销均小于公认最有效的Shaking方法。既然非线性序列的模型选取是一个NP-hard问题,故方法也不能确保所选模型为最优模型,尽管在有限次的试验中总能成功获得最优模型。

基于最小生成误差的HMM模型聚类自动优化

为改善决策树聚类的效果,避免可能出现的聚类模型过训练或欠训练的情况,提出一种基于最小生成误差以及通过交叉验证优化最小描述距离(MDL)因子选取的方法.文中通过计算交叉验证中的生成误差选择MDL因子,从而优化决策树大小.实验结果表明,此方法相对传统的固定MDL门限设定方法,更有效提升合成语音的音质和自然度.