基于隐Markov模型的机械振动源数估计方法

针对非平稳时变信号,提出一种基于隐Markov模型(HMM)的机械振动源数估计方法。该方法结合隐Markov模型理论与自相关测定,通过比较不同模型的信度来确定信源的个数。实验结果表明该方法能够有效地估计出非平稳时变信号的信源个数,为机械振动故障诊断中的振动源分析提供了方法保障。

基于多粒度树模型的Web站点描述及挖掘算法

随着Web 所拥有的信息量和信息种类的急剧增长,Web 站点挖掘对于自动实现特定主题的 Web 资源发现和分类具有重要的意义.然而现有的 Web 站点分类或挖掘算法在利用上下文语义信息、去除噪声信息以进一步提高分类准确率等方面还缺乏深入研究.从站点的采样尺寸、分析粒度和描述结构 3 个方面分析了设计高效的 Web 站点挖掘算法所需要解决的问题.在此基础上,提出了一种新的 Web 站点多粒度树描述模型,并描述了包括基于隐 Markov 树的两阶段分类算法、粒度间上下文融合算法、两阶段去噪程序以及基于熵的动态剪枝策略在内的多粒度 Web 站点挖掘算法.站点的多粒度描述方法及挖掘算法为多站点查询优化、Web 效用挖掘等的深入研究奠定了基础.实验表明,该算法相对于基线系统平均可以提高 16%的分类准确率,并减少了 34.5%的处理时间.

垃圾模型技术在关键词检测系统中的应用

对于关键词检测系统来讲,垃圾模型的结构和类型对整个系统的性能有很大的影响。文中针对中文关键词检测系统提出了一种与上下文相关的垃圾模型。通过实验验证,关键词的检测率有了很大的提高,实验结果表明了该模型的有效性。

HMM在说话人识别系统中的实现

介绍了隐马尔可夫模型及其主要解决的3个基本问题,以及在说话人识别系统中实现的基本过程,并对256和512码本、文本相关与文本无关进行比对,得出文本相关的识别率更高的结论并分析了其原因。

基于HMM的说话人识别

介绍了隐马尔可夫模型的基本原理以及在说话人识别中的实现,对文本相关与文本无关进行比对,得出文本相关的识别率要高的结论及原因。

基于Viterbi解码的中文合成音库韵律短语边界自动标注

该文提出了一种基于Viterbi解码的中文合成音库韵律短语边界自动标注方法,以降低大语料库单元拼接合成系统的构建成本。该方法分为模型训练和韵律标注两阶段:模型训练阶段得到频谱、基频和音素时长的上下文相关隐Markov模型(hidden Markov model,HMM);标注阶段借助训练得到的模型采用Viterbi解码完成韵律短语自动标注。实验结果表明:该方法进行韵律短语边界标注时的F-score值达到77.64%,超过了人工标注时不同标注人员之间的一致性水平;另外该方法可以方便地增加待标注韵律属性,具有良好的扩展性。