基于ISODATA聚类算法的语音转换研究

提出了一种基于迭代自组织聚类算法(ISODATA)的双线性频率弯折语音转换模型。根据语音特征参数分类不充分产生残差成分的问题,在基于高斯混合模型的聚类过程中引入了迭代自组织聚类算法。该算法将聚类得到的类内均值作为训练模型初始均值,改善了EM算法初始值选取不当导致算法不能收敛的问题,从而对特征参数的拟合更加准确,结合后续的双线性频率弯折(BLFW)模型实现语音转换。实验测试结果表明:提出的算法具有较好的自适应聚类特性,能够使特征参数分类更合理,进而得到更准确的转换函数,使得转换的语音更接近目标语音。选择合适的初始值参数,对提出的算法与高斯混合模型及双线性频率弯折模型进行比较,平均MCD值相差很小,平均MOS值有所提高。这说明合理精确的聚类有利于提高语音转换系统的性能。

基于残差函数主成分的相依函数型回归模型估计及金融应用

本文研究具有相依特征的函数型数据的函数表示方法及其回归模型的估计方法。首先基于分整理论提出基于残差函数主成分的函数表示方法,然后利用残差函数主成分对回归系数函数正则化表示,最后把函数曲线和回归系数函数代入相依函数型回归模型进行估计,并通过蒙特卡洛模拟和金融实例分析来评估参数估计和样本外预测的准确性。研究发现,相比现有的基于协方差函数和长期协方差函数的函数主成分估计方法,本文提出的基于残差函数主成分的估计方法具有良好的有限样本性质,回归系数函数估计更准确、样本外预测效果更好;基于高频数据的股市开盘价预测实证研究表明本文方法的样本外预测精度最高。与现有方法相比,本文提出的基于残差函数主成分的估计方法,既考虑函数型数据的相依特征,又避免长期协方差函数估计时面临的核函数和窗宽选择问题,为经济金融等领域具有相依特征的函数型数据提供一种函数表示方法,丰富函数型回归模型理论,为其他函数型回归模型的拓展提供借鉴。