主分量神经网络在高校学生综合素质评价中的应用

采用主分量神经网络 ,从多种影响因素中找出几个主要分量指标 。

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法。在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类。文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构。

基于PCANN/HMM混合结构的语音识别方法

本文提出了一种基于ＰＣＡＮＮ／ＨＭＭ混合结构的语音识别方法，它采用相继几帧组成的特征参数 矢量作为语音识别ＨＭＭ的输入，能有效地在语音识别ＨＭＭ中引入帧间相关信息，同时为了改善多帧特征 输入ＨＭＭ的输出概率密度函数性能，在ＨＭＭ的前端增加语音参数压缩的主分量分析神经网络（ＰＣＡＮＮ）。 通过对多讲者汉语连续语音识别实验，证实了本文提出方法的有效性。

基于复数帧段特征的语音情感识别方法

提出了一种基于复数帧段特征的语音情感识别方法,采用相继的复数帧组成的特征参数矢量作为语音情感识别GMM的输入,能有效地在语音情感识别GMM中引入帧间相关动态信息,同时为了改善复数帧段输入GMM的输出概率密度函数性能,在GMM的前端增加语音帧段参数压缩的主分量分析神经网络(PCANN)。语音情感识别实验证实了引入帧间相关动态信息方法的有效性,新方法在识别率上较状态输出独立GMM方法有一定程度的提升。

基于PCANN/PDP混合结构的噪声环境下说话人识别方法的研究

提出了一种基于PCANN/PDP混合结构的实际环境下说话人识别的方法。它采用相继几帧组成的特征参数矢量作为说话人识别系统的输入,能有效地在说话人识别系统中引入帧间相关信息。针对噪声往往具有帧间相关性小,能量分布频率范围广且数值较小,在语音信号主分量特征中对应于贡献率较小的分量等特点,话人识别系统的前端增加语音参数压缩的主分量分析神经网络(PCANN)。同时提出了概率DP匹配说话人识别方法。通过对噪声环境下与文本无关的说话人识别实验,这种方法的有效性得到了验证。

语音特征参数在说话人识别中的应用

在噪声环境下,用传统特征参数如LPCC、MFCC说话人识别往往达不到很好的识别效果。用加权、差分和组合的方法对原始特征参数进行二次处理,并对处理的结果进行PCANN变换,可得到一种新的说话人特征参数。新特征实现了对原特征的降维和去冗余,丢弃了分布在高维的噪声信息,实验表明,新特征增强了说话人识别系统的鲁棒性,提高了系统的识别性能。

基于PCANN的说话人识别方法研究

本文利用主分量分析神经网络(PCANN)方法,得到一种新的说话人语音特征。该特征通过对相继几帧语音特征参数组成的特征向量作主分量分析得到.新的特征能有效的引入帧间相关信息,减小冗余度,削弱噪声的影响。实验表明,新特征提高了系统的识别性能。