基于排序学习前向掩蔽模型的快速增量学习算法

增量学习是一种在巩固原有学习成果的基础上快速有效地获取新知识的学习模式 .本文在简述增量学习的相关研究以及排序学习前向掩蔽模型 (SLAM)的特点后 ,提出了一种基于SLAM的快速增量学习算法 .该算法在原神经网络模型分类能力的基础上 ,实现对新增样本的快速增量学习 ,从而在较短的时间内提高该网络模型的分类推广能力 .最后 ,与SLAM算法和Levenberg Marquardt后向传播 (LMBP)

基于自适应心理声学模型的智能语音识别系统

针对包含环境噪声和信道失真等噪声的语音处理问题,提出了一种基于自适应心理声学模型的智能语音识别系统,并建立了听觉模型.该模型将心理声学和耳声发射(OAE)合并到了自动语音识别(ASR)系统中,利用AURORA2数据库分别在清洁训练条件和多训练条件下进行试验.结果表明,所提出的特征提取方法可以显著提高词识别率,优于梅尔频率倒谱系数(MFCC)、前向掩蔽(FM)、侧向抑制(LI)和倒谱平均值及方差归一化(CMVN)算法,能够有效地提高智能语音识别系统的性能.

虚拟分离声源空间去掩蔽的初步研究

提出一种使用耳机虚拟声重发的实验方法,研究了掩蔽和被掩蔽声源在水平面空间分离时的前向掩蔽效应,并将此情况下的掩蔽值与声源在同一位置时的掩蔽值进行了比较.结果表明,虽然在0°和±30°声像位置,掩蔽阈值均随掩蔽声的声压级增加而增加,但确实观察到空间去掩蔽现象.最大的去掩蔽值高达15dB.这种空间去掩蔽现象可主要归结于较优耳的贡献.