用神经阵列网络进行文本无关的说话人识别

提出了一种可用于说话人识别的神经阵列网络，它以仅完成两类模式区分的小型网络作为子网络，再将单个子网络组合成阵列形式来完成多类模式的区分。文中给出了阵列网络的构成及搜索算法，并使用径向基函数（ＲＢＦ）阵列网络进行了文本无关的说话人识别的研究。实验显示，对 ２０名说话人，用 ５秒语音训练， ２秒语音识别时，该方法可达到 ９８％的正确识别率。

基于阵列神经网络技术的多传感器信息融合

将阵列神经网络技术应用于多传感器信息融合系统中,利用阵列神经网络分布式信息存储和并行处理数据的特点进行信息处理,减少了由于模型不符合和特征选择不当带来的误差,提高了多传感器系统的性能.提出了一种基于阵列神经罔络滤波器的 INS/GPS/SAR 组合导航信息融合方法。仿真结果表明:基于阵列神经同络滤波器的 INS/GPS/SAR 组合系统的导航精度要比传统的卡尔曼滤波器的精度要高。

基于免疫RBF网络阵列的雷达信号分类识别方法

本文提出了基于免疫算法设计的径向基函数(RBF)网络阵列实现对雷达信号体制和用途的分类识别。同单个神经网络相比,这种方法克服了识别类型较多时存在的扩充、修改、维护等难点。在RBF子网络的训练中,采用结合记忆机制的递阶免疫算法确定RBF网络的隐层参数,有效折衷了系统性能和运算量之间的矛盾。实验结果表明,采用这种方法设计的雷达信号识别系统达到了很高的性能。

基于分类器与阵列搜索算法的文本无关说话人识别

基于小波神经网络的原理对与文本无关的说话人进行了识别.通过分析网络结构,提出了优化网络初始参数的方法,加快了小波网络的收敛速度;采用分组器与阵列搜索算法相结合,减少了识别时的搜索时间.实验结果表明该识别系统能大大提高识别人数和识别速度,在43人的语音识别中,识别率达到97.67%.

多传感器信息融合的算法比较

神经网络技术已经越来越多的应用于传感器的信息融合,但是由于传统的神经网络结构对于计算大学习样本,需要的隐结点数很大,导致训练的时间很长,性能下降。本文提出了一种阵列神经网络的结构模型,通过将传统神经网络中的中间隐层用子网络代替,不同的信息分配到不同的子网络中,然后再进入融合层进行融合,从而克服了传统神经网络计算大容量样本的缺点。本文还结合测量压力的多传感器系统,通过比较阵列神经网络和传统神经网络对信息融合的效果和速率来研究阵列神经网络的作用。