利用MCE算法提高说话人识别性能

高斯混合模型（ ＧＭＭ）是当今说话人识别的一种流行算法，但 ＧＭＭ的训练的目标是使似然度最大，并不能产生识别性能最佳的模型。本文提出了ＧＭＭ ＋ＭＣＥ（最小分类错误）的模型来解决这一问题。并通过实验证明了其有效性。

一种用于说话人辨认的概率神经网络的MCE训练算法

提出了一种基于最小分类错误准则的概率神经网络的训练算法。实验结果表明 ,这种分类网络及其学习算法在 30个说话人辨认应用中利用 5秒清晰语音获得 98.4%的辨认率 ,利用 15秒电话语音获得 85 .1%的辨认率。

基于MCE/GPD的语音识别及其一种Robust应用中初始参数的选择

首先讨论了基于MCE/GPD的语音识别研究的最新进展。在此基础上 ,提出了一种环境特征判别学习的Robust语音识别方法 ,该方法基于最小分类错误准则利用梯度下降法迭代地学习环境特征。由于梯度下降法产生的是局部最优解 ,因此 ,寻找较好的环境特征初始值就显得非常重要。最后 。

基于MCE训练算法的说话人辨认系统

提出了一种基于最小分类错误准则的概率神经网络的训练算法。实验结果表明, 该系统及其MCE学习算法在20个说话人辨认应用中利用5s清晰语音获得98.9%的辨认率，利用15s电话语音获得86.2%的辨认率。

一种改进的MCE训练方法

隐马尔可夫模型的参数估计是研究的重点话题,其中一个主要的方法是最小分类错误.从两方面说明一种新的MCE方法.建立一个非平凡的结构,使MCE的目标函数被重新确定为适合多个判断标准训练符的有理函数.采用这种新方法,基于增长转换或扩展Baum-W elch算法得到一个新的优化方法.

基于GMM与改进MCE训练的说话人识别研究

在应用最小分类错误(MCE)准则对识别说话人的高斯混合模型(GMM)训练中,采用一个权重函数来确定说话人模型参数调整量的权值,使得比较近的竞争说话人模型的权值大,比较远的竞争说话人模型的权值小。并采用梯度概率递减算法来实现损失函数的最小化,有效提高了说话人识别的速度和精度。

基于无抽样小波变换和MCE训练的纹理分类

提出了一种新的纹理分类的方法,该方法把基于无抽样小波变换的特征提取器和基于欧几里得距离的分类器进行了合并。把方差、偏态系数、峰态系数、三者的联合及谱直方图作为描述纹理图像不相重叠的图像窗的特征。一个使用线性转换矩阵的特征提取器对分类导向的特征做进一步的提取。利用基于欧几里得距离的分类器,每个纹理图像不相重叠的图像窗被确定到属于它的那一类。基于最小分类错误训练方法的特征提取器和分类器设计的合并使分类错误达到了最小化。使用该方法对25类BrodTex纹理图像进行了评估,分类精确度达到90%以上。

基于非均匀MCE准则的DNN关键词检测系统中声学模型的训练

关键词检测是从连续语音流中检测预先定义的给定词的技术,是语音识别领域的一个重要应用。目前的关键词检测研究中,主流的方法是基于连续语音识别器的先识别后检测的两阶段方法,语音识别器的准确率对关键词检测有很大影响。本文首先在识别阶段引入深度学习技术来改善关键词检测算法的性能。进而针对识别阶段和检测阶段缺乏紧密联系,耦合度不够的问题,研究了侧重关键词的深度神经网络声学建模技术,利用非均匀的最小分类错误准则来调整深度神经网络声学建模中的参数,并利用Ada Boost算法来动态调整声学建模中的关键词权重。结果表明,利用非均匀最小分类错误准则来调整深度神经网络参数进行优化的声学模型,可以提高关键词检测的性能。

MMCE算法在FAGMM中的应用

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。

基于智能语音的翻译机器人自动化控制系统设计

为提升自动控制效果,加快翻译速率,设计基于智能语音的翻译机器人自动化控制系统;采集外界智能语音信号,利用A/D转换器得到数字信号,启动语音唤醒模块激活翻译机器人,听写模式识别复杂语音信号,命令模式识别简单语音信号,得到语言文本识别结果,通过深度学习关键词检测方法提取关键词作为翻译机器人的自动化控制指令,通过单片机识别自动化控制指令;实验结果表明,该系统可有效采集外界智能语音信号,在0.6 s至2 s之间时,该外界智能语音信号的振幅较小;系统运行时间最短为5.6 s,响应速度在11 m/s左右,控制误差最小为5.1%,BLEU值最高达到了42.75,控制准确率达到95.7%,提取智能语音信号的关键词,完成翻译机器人自动化控制。

嵌入式盲人手机语音识别与控制系统设计

针对盲人与低视力患者群体，提出并设计了一种基于非特定人语音识别技术的嵌入式盲人手机音控系统：系统采用AD1836A为语音信号采集单元、Blackifn533DSP为语音信息处理单元核心，通过建立连续隐马尔可夫模型（CHMM）、选取美尔频率倒谱系数（MFCC）为语音特征参数，采用Baum-Welch算法及最小误差分类（MCE）方法改进HMM模型参数，设计实现了包含10个数字（0～9）和25条语音指令的全语音手机控制平台，并通过指令分级识别方式大大提高了语音指令的整体识别率。

采用改进最小闭包球向量机的电力信息网络入侵检测方法

为降低电力信息网络入侵检测的检测误差和检测耗时,提出一种基于改进最小闭包球向量机(minimum enclosing ball vector machine,MEBVM)的入侵检测方法。该方法将入侵检测抽象成多分类问题,通过改进MEBVM对历史数据样本的训练学习来得到入侵检测模型。改进MEBVM利用最小闭包球降低检测耗时,并在训练过程中利用粒子群优化算法动态搜索MEBVM的最优训练参数以降低入侵检测模型误差。最后基于电力信息网络现场数据的实验证明,该方法与传统方法相比具有更高的检测精度和更少的检测耗时。

基于两阶段最小二乘回归的分类方法

针对最小二乘回归分类法对原始数据进行分类时容易受到噪声样本影响的不足,利用系数增强的方法提出一种缓解噪声样本对表示系数影响的鲁棒分类法.该方法是一种两阶段最小二乘回归分类法:第一阶段通过最小二乘回归分类法获得表示系数,第二阶段强化近邻表示系数的作用得到表示系数.最后用最小误差准则对测试样本进行分类,利用核理论进一步提出非线性两阶段最小二乘回归分类法,并在4个常用人脸图像数据集上验证了该方法的有效性.

基于最小分类误差小波特征的纺织品缺陷分类方法研究

纺织品缺陷分类是利用计算机视觉技术检测纺织品品质的一个关键环节。提出了一种基于小波框架的纺织品缺陷分类新方法。该方法使用纺织品图像的小波框架来描述缺陷的纹理特征。在最小分类误差训练框架下,通过联合设计一个基于线性变换矩阵的特征提取器和一个分类器,来获取面向缺陷分类的小波框架特征,并最小化分类器的错误概率。该方法对包含9类纺织品缺陷的329个样本,以及328个无缺陷样本进行了分类实验评估,获得了93.1%的分类准确率,相比传统的基于小波变换的分类方法提高了27.2%。

基于MultiBoost的最小分类误差算法

基于MultiBoost分类组装技术,提出了一种用增量交叉验证技术求MultiBoost最小分类误差的算法,以使之在指定分类器数量T的范围内找出具有最小分类误差的合成分类器.

先优化后分类改进的小波域图像去噪方法

提出一种先优化后分类改进的小波域图像去噪方法。该方法是对现存NeighShrink去噪方法的改进,用stein的无偏风险估计,在小波域每一个子带确定一个最优的阈值和邻域窗口;根据邻域阈值的大小,将子带内的每个小波系数划分为"小"系数或"大"系数;对"小"系数直接置零,对"大"系数采用一种具有局部空间强相关性的零均值高斯模型,通过最小均方误差准则得到真实系数的估计。实验结果表明,该方法在峰值信噪比指标上明显优于NeighShrink方法,同时有效地保存了图像的纹理信息,视觉效果较好。

基于遗传算法的HMM最小错识率训练方法

最小错识率（MCE）HMM训练方法是最直接的判决训练方法之一，原理上比最大似然接方法优越得多。但是，充分发挥MCE的性能的困难在于如何将非连续的经验错识率估计映射成连续的代价函数以便采用梯度搜索技术之类的忧化方法。本文所提出的基于遗传算法的最小错识率方法（GAMCE）不但可避免MCE的缺点，而且在原理上可求得全局最优解。实验结果表明，GA_MCE比MCE好得多。

基于改进最小分类误差准则算法的深度学习研究——以台风卫星云图为例

针对传统基于最小分类误差准则(MCE)建立的目标函数存在样本错分类时网络出现的梯度反向问题,引入最小分类误差准则,定义带修正项的FMCE目标函数。以较高精度的交叉熵作为基函数,将FMCE作为修正函数,提出改进交叉熵目标函数CE-FMCE,使得网络在反向传播过程中提升标签类输出的概率。CE-FMCE不仅克服了传统MCE目标函数的梯度反向问题,还弥补了交叉熵函数对非标签集梯度不作区分处理的不足。分别在自建台风云图数据集和通用数据集MNIST上对CE-FMCE和MSE、交叉熵、MCE、M3CE进行对比实验,实验结果表明CE-FMCE优于其他目标函数。

一种基于最小误分率估计高斯混合模型参数的方法

传统的基于最大似然估计高斯混合模型参数的方法是一种无导师的学习方法，该方法的主要缺点是学习算法在估计一类模式模型中的参数时只利用了该类模式中的训练样本，而未考虑其它类训练样本的分布影响，因此，这种方法的识别效果往往不够理想．针对以上问题，作者提出利用最小误分率估计高斯混合模型参数的方法，这种方法考虑了不同类之间的样本的区分性．同时为了提高获得全局最优解的可能性，文中给出一种利用遗传规划求解最优参数的算法．这种方法用于非限定文本的话者识别．实验表明，该方法较传统的参数估计方法识别效果好．

基于最大-最小相似度学习方法的文本提取

应用最大-最小相似度(maximum-minimum similarity,简称MMS)学习方法,对基于高斯混合模型的文本区域提取方法中的有关参数进行优化.该学习方法通过最大化正样本相似度和最小化反样本相似度获得最佳分类能力.根据这种判别学习思想,建立了相应的目标函数,并利用最速梯度下降法寻找目标函数最小值,以得到文本区域提取方法的最优参数集合.文本区域提取实验结果表明:在用期望最大化(expectation maximization,简称EM)算法获得参数的极大似然估计值后,使用最大-最小相似度学习方法,使文本提取综合性能明显提高,开放实验的召回率和准确率分别达到98.55%和93.56%.在实验中,最大-最小相似度学习方法的表现还优于常用的判别学习方法——最小分类错误(minimum classification error,简称MCE)学习方法.