基于CDHMM/SOFMNN噪声背景下的语音识别方法

针对噪声背景下传统语音识别系统识别率较低的问题,提出了一种将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合的方法,训练出适应噪声的混合模型.该模型适合于对噪声背景下的语音进行识别.同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(2～12 dB),识别率比传统CDHMM模型有明显提高.

基于SOFMNN模型的新疆方言语音识别研究

针对新疆方言的特点,建立自组织特征映射神经网络(Self-Organizing Feature Mapping Neural Network,SOFMNN)模型,对经过梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficient,MFCC)量化的语音特征进行训练,实现对新疆方言的语音识别。实验结果表明,采用该方法比采用传统隐马尔可夫模型的方法在识别正确率上占有明显优势。

语音自组织特征映射神经网络矢量量化算法

针对数字语音信号分帧提取MFCC参数,MFCC是Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)。Mel频率是基于人耳听觉特性提出的,它与Hz频率呈非线性对应关系,利用它们之间的这种关系,计算得到Hz频谱特征。将每帧的MFCC作为矢量进行自组织特征映射神经网络矢量量化及LBG矢量量化,通过实验对二者进行比较。仿真结果表明,自组织特征映射神经网络矢量量化算法得到的码书比LBG算法具有量化误差小、码本尺寸小的特点,进而可以节省存储空间。实验结果表明,文中方法具有一定的实用性。

一种基于HMM/ANN的混合语音识别系统的设计

文中将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合,训练出抗噪声的HMM模型。试验表明,该模型适合于对噪声背景下的语音进行识别。同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(3dB—15dB),识别率比传统CDHMM模型有明显的提高。

基于改进的隐马尔可夫和神经网络混合模型的语音识别

研究了一种非齐次隐马尔可夫模型(Inhomogeneous Hidden Markov Model),然后将自组织特征映射神经网络与这种非齐次隐马尔可夫模型相结合,训练出抗噪声的HMM模型,并应用该混合模型进行语音识别。实验结果表明,该模型适合于对噪声背景下的语音进行识别。该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(5dB-10dB),识别率可以提高5％左右。

基于自组织神经网络的多传感器遥感图像融合技术

多传感器遥感图像融合是一种遥感信息综合分析与处理的技术,其研究正成为遥感学科领域的热门课题之一。利用自组织特征映射神经网络具有较好的聚类特性,对多源遥感图像进行高水平的分类与融合。通过对GMS 5卫星图像融合前后性质的比较和融合质量的评估,不难发现:融合后的图像不论在视觉效果上还是在噪声特性上都有了很大的改善。