基于MAP+CMLLR的说话人识别中发声力度问题

为了改善发声力度对说话人识别系统性能的影响,在训练语音存在少量耳语、高喊语音数据的前提下,提出了使用最大后验概率(MAP)和约束最大似然线性回归(CMLLR)相结合的方法来更新说话人模型、投影转换说话人特征。其中,MAP自适应方法用于对正常语音训练的说话人模型进行更新,而CMLLR特征空间投影方法则用来投影转换耳语、高喊测试语音的特征,从而改善训练语音与测试语音的失配问题。实验结果显示,采用MAP+CMLLR方法时,说话人识别系统等错误率(EER)明显降低,与基线系统、最大后验概率(MAP)自适应方法、最大似然线性回归(MLLR)模型投影方法和约束最大似然线性回归(CMLLR)特征空间投影方法相比,MAP+CMLLR方法的平均等错率分别降低了75.3%、3.5%、72%和70.9%。实验结果表明,所提出方法削弱了发声力度对说话人区分性的影响,使说话人识别系统对于发声力度变化更加鲁棒。

MLLR和MAP在远场噪声混响下的语音识别研究

自适应技术可以用较少的数据来调整声学模型参数,从而达到较好的语音识别效果,它们大多用于自适应有口音的语音。将最大似然线性回归(Maximum Likelihood Linear Regression,MLLR)、最大后验概率(Maximum A Posteriori,MAP)自适应技术用在远场噪声混响环境下来分析其在此环境下的识别性能。实验结果表明,仿真条件下,在墙壁反射系数为0.6,各种噪声环境下MAP有最好的自适应性能,在信噪比(Signal-to-Noise Ratio,SNR)分别为5 dB、10 dB、15 dB时,MAP使远场连续语音词错率(Word Error Rate,WER)平均降低了1.51%、12.82%、2.95%。真实条件下,MAP使WER下降幅度最大达到了37.13%。进一步验证了MAP良好的渐进性,且当自适应句数为1 000时,用MAP声学模型自适应方法得到的远场噪声混响连续语音的识别词错率比自适应前平均降低了12.5%。

基于机器学习的抗乳腺癌候选药物筛选模型优化

雌激素受体α亚型(Estrogen receptors alpha,ERα)被认为是治疗乳腺癌的重要靶标,对于治疗乳腺癌非常关键。为准确找出能抑制ERα活性的化合物,以504个分子描述符作为研究变量,采用Spearman相关系数、最大互信息系数和随机森林特征选择三种方法,分别筛选出排名前30的分子描述符,综合三种方法的结果,使用基于秩的变量选择算法选出前20个对生物活性最具显著影响的分子描述符,并分别建立岭回归和随机森林非线性回归模型对其进行比较。结果表明,随机森林模型方法的预测效果更好,可用于化合物对ERα生物活性值的预测。

基于自适应隐式半马尔可夫模型的设备健康诊断与寿命预测方法

针对设备健康诊断与寿命预测问题,提出一种基于自适应隐式半马尔可夫模型(AHSMM)结合多传感器信息的设备健康预测方法。提出了AHSMM的前向—后向算法、Viterbi算法和Baum-Welch算法,有效降低了模型的计算复杂性。利用最大似然线性回归训练对输出概率分布和驻留概率分布进行自适应训练,处理多传感器信息间的差异性,进行有效的多传感器信息融合,以更加准确地进行设备健康诊断与寿命预测。利用失效率理论建立了对设备剩余使用寿命进行预测的基本步骤。通过美国卡特彼勒公司液压泵的状态识别和健康预测实际案例对所提出的方法进行评价与验证,实验结果表明,基于AHSMM的设备健康诊断和性能衰退预测方法比传统的隐式半马尔可夫模型(HSMM)更有效。

多元线性回归在引气系统故障诊断中的应用

针对利用快速存取记录器(QAR)数据进行民机系统故障诊断问题,以民机引气系统为对象,提出了一种适合多飞行循环数据特点的多元线性回归模型的故障检测方法.首先建立了多飞行循环数据的引气系统性能多元线性回归模型,设计了飞行循环和飞行循环内故障检测方法;然后采用最大后验估计方法进行模型参数估计;最后设计了适合多飞行循环数据的模型参数最大后验估计算法.借助仿真数据和航空公司收集的实际飞行数据对方法进行了验证,结果表明了该方法有效且具有一定工程应用价值.

基于三变量模型的剪切波去噪方法

针对图像去噪问题,提出了两种基于三变量模型的剪切波去噪方法.首先利用互信息对剪切波系数间的依赖关系进行量化分析;然后根据依赖关系选取含噪系数s,s的父系数p以及与s方向相反的兄弟系数c,建立了三变量最大后验估计模型.在假定s,p,c具有相同标准差的情况下,由估计模型推出一种具有闭式解的去噪方法(方法1);对s,p,c具有不同标准差的情况,给出了一种迭代去噪方法(方法2),并证明了该方法的收敛性.实验结果表明,方法1和方法2不仅具有良好的视觉效果,而且具有较高的峰值信噪比和结构相似度均值.

鉴别性最大后验概率线性回归说话人自适应研究

为增强自适应后的声学模型的鉴别能力,提出了一种基于最大互信息(MMI)的鉴别性最大后验概率线性回归(MMI-DMAPLR)说话人自适应方法.将最大互信息准则和最大后验概率(MAP)准则相结合,设计了一个新的目标函数来估计基于线性变换的自适应方法中的变换参数,在最大后验概率估计中加入了鉴别性.大词汇量连续语音识别的实验结果表明,新方法在增强声学模型与测试数据的匹配性的同时,可以有效提高声学模型的鉴别能力,在少量自适应数据的情况下,其性能比最大后验概率线性回归(MAPLR)相对提高4.8%.

鉴别性最大后验概率声学模型自适应

为了更加准确地估计最小音素错误最大后验概率(MPE-MAP)自适应算法中的先验分布中心,使自适应后的声学模型参数更为准确,从而提高系统的识别性能,分别采用最大互信息最大后验概率(MMI-MAP)自适应和基于最大互信息准则与最大似然准则相结合的H-criterion最大后验概率(H-MAP)自适应估计先验分布中心,提出了基于最大互信息最大后验概率先验的最小音素错误最大后验概率(MPE-MMI-MAP)和基于H-criterion最大后验概率先验的最小音素错误最大后验概率(MPE-H-MAP)算法。任务自适应实验结果表明,MPE-MMI-MAP和MPE-H-MAP算法的自适应性能均优于MPE-MAP、MMI-MAP和最大后验概率(MAP)自适应方法,分别比MPE-MAP相对提高3.4%和2.7%。

普通话发音错误自动检测技术

统计语音识别框架是现在发音错误检测系统的主流框架,而声学模型则是统计语音识别的基础。该文一方面为了获得对于发音错误检测更好的声学模型,引入了说话人自适应训练(SAT)和选择性最大似然线性回归(SMLLR)技术;另一方面,由于字发音检错中存在严重的信息量不足问题和专家对于不同水平说话人的评价标注不一样,在后端上加入了话者得分归一化技术。在包含40个不同水平说话人的8 000个字的数据库上的实验结果表明,文中提出的方法有效的提高了系统性能,召回率为30%时,正确率从45.8%升到了53.6%,召回率为10%时,正确率从64.6%升到了79.9%。

一种构建自适应蒙古语语音识别声学模型的方法

蒙古语语言中非词首音节短元音位置不确定产生了一词多音、构词音变、协同发音以及口语语流等现象,导致声学模型自适应性差。通过使用小规模的自适应数据集,结合MLLR和MAP建模方法,从τ值的选取和自适应声学模型建模的训练过程两方面对基本蒙古语声学模型的自适应性开展研究,给出了一种适合构建自适应蒙古语语音识别声学模型的MLLR-MAP方法。在Sphinx语音识别实验平台上进行建模实验,使用声学模型识别率与系统识别率评价指标对MAP、MLLR、MAP-MLLR和MLLR-MAP等建模方法进行评价。实验结果表明,在声学模型的总正确率、错误率和准确率三个评价指标上都得到了提升,明显优于基线模型。

拟合盲隐写分析结果的隐写组合测评方法

KL距离(Kullback-Leibler Divergence)能够衡量原文与隐文特征集的可区分性,但其计算复杂度过高,不适合作为隐写测评指标.现有测评方法通过某种便于计算的统计量,从不同角度衡量原文与隐文特征集的距离,其测评效果有限.为了解决这一问题,提出了拟合盲隐写分析结果的隐写隐蔽性组合测评方法,基于平均单维互信息和最大平均偏差这两种存在一定互补性的基础隐写测评指标构造新的测评指标,从而获得对隐写隐蔽性更加全面客观的评价.

HMM自适应法在应力变异语音识别系统的应用

为了使应力变异在顽健语音识别系统中能够达到较好的识别效果,研究了基于隐马尔可夫模型(HMM)的自适应技术,提出了将最大后验概率(MAP)和最大似然回归方法(MLLR)用于应力变异语音的自适应中。实验结果表明,与基本系统相比,两种方法均有效地提高系统识别率。以SD为初始模型的最大后验概率方法在150个训练样本时识别效果最好,可以达到90.4%。

基于目标驱动的多层MLLR自适应算法

本文在对语音识别中基于自适应回归树的极大似然线性变换 (MLLR)模型自适应算法深刻分析的基础上 ,提出了一种基于目标驱动的多层MLLR自适应 (TMLLR)算法。这种算法基于目标驱动的原则 ,引入反馈机制 ,根据目标函数似然概率的增加来动态决定MLLR变换的变换类 ,大大提高了系统的识别率。并且由于这种算法的特殊多层结构 ,减少了许多中间的冗余计算 ,算法在具有较高的自适应精度的同时还具有较快的自适应速度。在有监督自适应实验中 ,经过此算法自适应后的系统识别率比基于自适应回归树的MLLR算法自适应后系统的误识率降低了 10 % ,自适应速度也比基于自适应回归树的MLLR算法快近一倍。

基于最大后验贝叶斯法的临床药动学采样点优化研究的文献分析

目的:为临床药动学采样点优化研究提供参考。方法:以"贝叶斯估计""贝叶斯反馈法""有限采样""优化采样""稀疏采样""最小采样"和"Bayesian estimate(s)""Bayesian estimator(s)""Bayesian analysis""Limited sampling""Optimal sampling""Sparse sampling""Minimal sampling"等为检索词,组合查询2011年1月-2016年6月在中国知网、万方、维普和PubMed、Medline、ScienceDirect等数据库中有关药动学采样点优化研究方面的文献,并对其进行系统分析与评价。结果:最终纳入中文文献1篇、英文文献13篇。有关临床药动学采样点优化研究方面的药物,主要集中在免疫抑制剂、抗病毒药物、抗菌药物和儿童个体化用药等领域。目前,关于临床药动学优化采样策略的研究方法国内仍较多采用多元线性回归法(MLR),国外已广泛应用最大后验贝叶斯法(MAPB)。MLR方程简便易用,但对采样点要求十分严格;MAPB法可应用较少采样点完成,且对采样时间要求少,更适于临床实践,但需要应用专业软件完成。两种方法精密度和准确度大致相同。优化采样策略的研究方法差异较大,但均包含获取先验信息、确定参考值、优化采样点、验证预测能力4个步骤。结论:MAPB法结果准确、可靠,且对采样点要求更少,更符合临床实践需要,适用于临床药动学优化采样研究。

最大后验概率自适应方法在口令识别中的应用

自适应技术是提高非特定人语音识别系统识别性能的有效手段,其中应用最广泛的两种自适应方法是基于最大后验概率的自适应方法和基于最大似然线性回归的自适应方法,分析了它们各自的特点并将最大后验概率的自适应方法应用到基于隐马尔可夫模型的口令识别系统中,实验结果表明,该方法能够在每个词自适应一次的情况下,使系统的识别率由40%提高到90%以上,并在此基础上实现了一个实用的中等词汇量的口令识别系统。

基于数据生成的手语识别自适应方法

采用自适应技术来解决非特定人手语识别问题,提出了一种基于数据生成的手语识别自适应方法。首先,对非特定人模型的均值向量进行自动聚类,寻找聚类中心生成手语词码本,然后,根据此码本选择词根子集,该子集能覆盖手语词码本的所有码字,继而,使用新用户的词根子集数据通过遗传算法生成其它词根的数据,最后,结合词根子集的真实数据和其它词根的生成数据,利用最大似然线性回归(MLLR)和最大后验概率(MAP)算法对非特定人模型进行自适应。实验结果表明,该方法既能够降低所需要的自适应数据量,又能够在非特定人模型基础上取得识别正确率的大幅提高。

内生性线性回归模型估计方法的改进

线性回归模型的内生性问题导致参数估计量有偏且不一致。工具变量法作为解决内生性问题的经典方法,在实践中却经常因为难以找到理想的工具变量而无法实现。Gaussian Copula方法通过Copula函数度量内生解释变量与随机误差项的相关性,无须借助工具变量即可修正内生性问题,但是以内生解释变量的非正态性为假设前提。文章基于贝叶斯理论利用最大后验方法估计模型参数,提出一种改进的Gaussian Copula方法,放松了对于内生解释变量分布的假定;同时,通过蒙特卡罗模拟验证了所提方法的有效性;最后,应用提出的方法估计了中国农村居民教育收益率。

基于非线性波动网络模型的股票市场关联特征研究

股价波动是股票市场研究的重要内容,本研究基于信息理论和复杂网络理论提出股票市场的股价波动网络模型.首先对股价波动关联性进行度量,然后分析股价波动的聚集性,运用极大平面过滤图算法对股票之间关联性进行分层研究.以上证180指数金融成分股票为样本,实证结果发现:与常用的线性相关系数相比,在非线性波动条件下,互信息和最大信息系数对关联系有更好的度量,在结果的精确性上,最大信息系数比互信息更具优势.在构建的股票网络中,仅有少数关键的股票节点,信息的传递通过这些节点以分层的方式传递到整个市场.在金融大数据背景下,非线性波动网络模型为挖掘市场风险特征提供新的方法.

基于D最优设计的最大后验贝叶斯法估算个体药动学参数

本研究以基于D最优设计的最大后验贝叶斯法(MAPB)估算个体药动学参数,并与多元线性回归(MLR)法比较。以吡格列酮为模型药物,非线性混合效应模型(NONMEM)法考察药物的群体药动学特征。WinPOPT软件进行D最优采样设计,获得1～4点的采样方案。采用蒙特卡罗法产生模拟数据集,对估算方法进行评估。结果显示:随采样点数量的下降,MAPB估算CL和V的准确度和精密度均下降;随CL和V个体间变异增高,基于2点D最优设计的MAPB估算CL和V的精密度下降;随残差变异增高,MAPB估算的准确度和精密度均下降。与MLR比较结果显示:MAPB 2点D最优方案和MLR的2点估算AUC的准确度和精密度较接近,但在最佳采样点前后调整1 h采样,MAPB估算准确度和精密度优于MLR法。总体而言,MAPB法估算AUC的能力与MLR较为接近,但较MLR更具采样灵活性。

区分性模型在英语自动发音评测中的应用

为了改善英语自动发音评测中所使用的声学模型,提高评测的准确性,分别采用区分性训练中的最大互信息(MMI)和最小音素错误(MPE)算法训练出隐含Markov声学模型,并采用最大似然线性回归(MLLR)对模型进行非母语说话人的口音自适应,最后应用到英语自动发音评测系统中。实验结果表明:分别对MMI和MPE方法训练所得模型作自适应后的机器总分与人工评分之间的相关度在说话人层次上分别提高了3.3%和5.2%,证明了在英语发音评价中区分性模型的实用性和有效性。