随机双向分类模型中方差分量区间估计的改进

本文首先给出了随机双向分类模型中方差分量基于由方差分析产生的平方和的区间估计.然后以此为基础进行了改进,推导出了同时依赖于均值与平方和的区间估计.二者的区间长度相同,但后者有较高的置信度.

双向分类随机效应模型中方差分量的估计

双向分类随机效应模型是一类有着广泛应用背景的统计模型,其中对模型中方差参数的一种重要估计方法是方差分析估计。由于方差分析法得到估计的均方误差(MSE)并不是最小的,本文在一类新的估计族中提出了改进的ANOVA估计。结果表明新的估计比ANOVA具有较小的MSE,这种新的估计方法可推广到医学领域中常见的一般模型。

双向分类随机效应模型的Outlier检验方法

本文主要研究平衡的双向分类随机效应模型中Ｏｕｔｌｉｅｒ（异常值）的检验问题。给出了在主效应上出现Ｏｕｔｌｉｅｒｓ的检验方法，导出Ｏｕｔｌｉｅｒ检验统计量及其分布，并对检验的功效函数进行讨论。最后，运用模拟数据说明本文方法的有效性。

基于连续语音识别技术的猪连续咳嗽声识别

针对现有基于孤立词识别技术的猪咳嗽声识别存在识别声音种类有限,无法反映实际患病猪连续咳嗽的问题,该文提出了基于双向长短时记忆网络-连接时序分类模型(birectional long short-termmemory-connectionist temporal classification,BLSTM-CTC)构建猪声音声学模型,进行猪场环境猪连续咳嗽声识别的方法,以此进行猪早期呼吸道疾病的预警和判断。研究了体质量为75 kg左右长白猪单个咳嗽声样本的持续时间长度和能量大小的时域特征,构建了声音样本持续时间在0.24～0.74 s和能量大于40.15 V^2·s的阈值范围。在此阈值范围内,利用单参数双门限端点检测算法对基于多窗谱的心理声学语音增强算法处理后的30 h猪场声音进行检测,得到222段试验语料。将猪场环境下的声音分为猪咳嗽声和非猪咳嗽声,并以此作为声学模型建模单元,进行语料的标注。提取26维梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)作为试验语段特征参数。通过BLSTM网络学习猪连续声音的变化规律,并利用CTC实现了端到端的猪连续声音识别系统。5折交叉验证试验平均猪咳嗽声识别率达到92.40%,误识别率为3.55%,总识别率达到93.77%。同时,以数据集外1 h语料进行了算法应用测试,得到猪咳嗽声识别率为94.23%,误识别率为9.09%,总识别率为93.24%。表明基于连续语音识别技术的BLSTM-CTC猪咳嗽声识别模型是稳定可靠的。该研究可为生猪健康养殖过程中猪连续咳嗽声的识别和疾病判断提参考。