量化子空间分布隐马尔可夫模型

提出了量化子空间分布隐马尔可夫模型 (QSDHMM ) .该模型可由连续分布隐马尔可夫模型(CDHMM)导出 ,方法是先将CDHMM的高斯分布投影到K个子空间 ,然后将每个子空间高斯分布聚类成一个数目较小的“高斯分布原型” .用这些“高斯分布原型”可以表示出声学模型的状态分布 .理论分析和仿真实验表明 ,对于大词表连续语音识别系统 ,与CDHMM相比较 ,QSDHMM可以压缩模型参数 18倍 ,从而节省系统存储空间 。

量化子空间分布隐马尔可夫模型的直接训练

尽管量化子空间分布隐马尔可夫模型 ( QSDHMM)的间接训练算法具有简单实用等优点 ,但仍存在两个方面的不足 :其一 ,QSDHMM的间接训练实际上要经历两个最优化过程 ,即先用原始语音数据训练连续分布隐马尔可夫模型 ( CDHMM) ,然后将训练好了的 CDHMM转换成 QS-DHMM.因此 ,QSDHMM的精度将受到影响 ;其二 ,没有发挥 QSDHMM本身参数少的潜在优势 .在系统的子空间捆绑结构为已知的前提下 ,文中提出了 QSDHMM的直接训练算法 .仿真实验表明 ,与传统的训练算法相比较 ,采用直接训练算法可减少训练数据约 1 0倍 。

量化子空间分布隐马尔可夫模型的间接训练

研究了量化子空间分布隐马尔可夫模型(quantizedsubspacedistributionhiddenmarkovmodel,QS DHMM)间接训练所涉及的三个关键的问题:连续分布隐马尔可夫模型(continuousdistributionhiddenmarkovmodel,CDHMM)的训练、特征子空间的划分和子空间高斯分布的量化方案。提出了相关特征子空间的定义及实现算法。在仿真实验中,采用基于分类学的Bhattacharyya距离测度的K均值高斯聚类算法对子空间高斯分布进行量化,用最相关子空间的概念划分特征子空间,并将这两者结合使用,提高了系统的识别精度和速度。

复Contourlet域有向图与高斯混合模型的声呐图像增强

提出了复Contourlet域(CCT)中有向图与高斯混合模型的声呐图像增强算法。采用复Contourlet分析提取各尺度中声呐图像每一方向的弱特征信息;为建立特征信息间的联系,考虑复Contourlet域相邻尺度间子带系数的状态具有Markov性,子节点系数的状态依赖于父节点系数状态,构建有向概率图模型反映复系数的这种持续性;尺度内,构建高斯混合模型来建立同尺度中特性信息的联系,以两状态高斯混合模型来表征子带系数的非高斯边缘分布;最后,采用期望最大(EM)算法训练模型参数估计增强图像的系数,实现声呐图像增强。实验结果表明,本文算法与小波域隐马尔可夫树(HMT)算法、Contourlet域HMT算法相比,峰值信噪比(PSNR)增大4 dB以上,结构相似(SSIM)指数增加0.3;本文算法不仅能较好地抑制了声呐图像的强噪声,同时保留了图像边缘和轮廓等弱特征信息。

韵律相关的汉语语音识别系统研究

首先,给出结合韵律信息的系统框架。然后,针对汉语的特点,解决了韵律相关的语音识别系统中建模单元选择、模型训练等问题,并在多空间概率分布隐马尔可夫模型(multiple-space distribution hidden Markov mod-el,MSD-HMM)框架下构建了韵律相关的语音识别系统。最后,通过语音识别的实验验证了方法的有效性。在"863"测试集上,该方法能够达到76.18%的带调音节识别正确率。

三维脑电时-空模式识别系统的研究

结合时间和空间信息的脑电模式分析是近年来脑研究的一个重要课题。文中提出了一个多方法分层次的脑电时-空模式分析系统。系统包含了任务响应提取,颅内电流分布聚集,脑电自适应分段和时-空模式识别等几个步骤,综合运用了共空域子空间分解(CSSD),隐Markov模型(HMM)等多种现代信号处理方法。还提出了一种获取高空间分辨三维脑电的LORETA-FOCUSS算法,并将脑电微状态分析由二维推广到三维脑电的情况,将该系统运用于脑机接口(BCI)问题,对两类肢体想像动作的脑电数据在未经任何人工筛选的情况下进行了分析,识别率最高可达到88.89％,平均为81.48％。结果证明脑电时-空模式分析是脑研究的一种有效途径。