高阶间隔估计算法在网络流量监测中的应用研究

当前的网络流量监测方法比如报文抽样和时间间隔抽样,存在资源消耗大和精度低2个方面的问题,本文提出了一种高带宽及高传输速率情况下的流量监测方法,即以均匀分组采样方法为理论的高阶间隔估计算法﹒首先根据网络流量的动态变化,实时调整采样次数;再利用低阶采样数据及优化算法进行高阶估计;最后采用相对熵进行采样性能分析与估计﹒仿真结果表明,随着高阶间隔的逐渐增大,流量监测的精度相比报文采样和时间间隔采样得到逐步提高,而资源消耗却显著减少﹒

基于特征加权的应力影响下顽健语音识别方法

通过对应力影响下语音数据的分析 ,发现不同的特征维对变异的敏感程度不同。一般低维特征对变异比较敏感 ,相应的高维特征敏感程度差些。在此基础上 ,提出一种新的基于特征加权的变异语音识别方法。该方法通过对不同维特征加不同的权值来消除变异因素对语音特征的影响 ,从而提高系统的识别性能。文中提出对线性权值用最大相对熵估计方法获得权值。对航空模拟飞行器中采集的特定话者小词表孤立词的实验 ,最大相对熵估计方法的识别率可达到 89 9% ,与多重风格训练方法相比 ,识别率提高了 13 1%。