基于最大似然模型插值的快速说话人自适应算法

本文提出了一种新的说话人自适应算法———最大似然模型插值。其基本思想是 ,利用语音单元间的相关性 ,根据最大似然准则由一组说话人相关模型的线性组合得到测试者的说话人自适应模型。接着介绍了此插值框架下的两种具体自适应算法 :均值线性插值算法和矩阵线性插值算法。实验证明上述算法有良好的收敛性 ,在只有

一种分区BP人工神经网络图像差值算法

为了提高图像插值质量,利用前向反馈人工神经网络(BP-ANN)的自学习、自适应和泛化能力,开展分区BPANN图像差值研究.将图像中待插值像素划分为光滑区和边缘区,每个区分别对应1个BP-ANN进行图像差值操作,并通过3组实验确定分区BP-ANN的网络结构、采点模式和插值流程.结果表明,采用8-16-1拓扑结构的BP-ANN算法可达到图像的可视化质量和时间之间的最佳平衡点;与经典线性均值(LA)图像插值算法相比,分区BP-ANN算法在保持最佳视觉效果的前提下,峰值性噪比高约0.593 8dB.