基于GMMs算法的说话人身份识别系统研究与实现

基于GMMs(Gaussian mixture models)的声纹识别算法,提出了针对声纹识别和静音检测的相应特征值提取方法。该方法通过采集、分析声音样本,提取其特征值,对特征值进行模拟训练并通过模型匹配来识别说话人身份。同时,提出了基于GMM模型聚类的VAD(voice activity detection)静音检测算法,该算法具备模型参数自适应功能,极大提高了系统对不同应用环境(嘈杂/安静)的适应能力。对比实验表明,所设计的说话人身份识别系统具有高效性、准确性。

改进的ALNS算法求解MDVRPTW问题

研究了带时间窗多车场车辆路径问题(multi-depots vehicle routing problem with time windows,MDVRPTW),建立MDVRPTW模型,设计了结合混合高斯模型(Gaussian mixture model,GMM)聚类算法的自适应大邻域搜索(adaptive large neighborhood search,ALNS)算法。通过在邻域变换前将客户集进行分类,优化初始解,提高算法运算效率。算法使用6种不同变换因子,采用得分系统对变换因子进行评价,使算法能够在迭代的不同阶段自适应地选择合适的变换因子。分析了参数设置值的合理性,设计了3组仿真实验,实验结果验证了算法的高效性。

基于OpenCV的组合优化多目标检测追踪算法

为了改善计算机视觉领域中多目标检测与追踪算法的实时性,综合考虑实现多目标跟踪过程的两个主要阶段:目标检测与目标追踪。第一阶段采用改进的自适应高斯混合背景建模及滤波处理方法,通过间隔性选取的图像帧作为高斯混合背景模型更新方式,进而从视频图像中检测出明确有效的多个目标的同时兼顾算法实时性,此阶段仿真结果显示该算法使得效率提高40%左右;在目标追踪阶段采用一种快速高斯粒子滤波追踪算法,使用按照高斯分布的初始化粒子的线性变换来近似拟合高斯粒子分布,从而在原算法无需粒子重采样的基础上避免了粒子的高斯拟合过程,进一步提高运算效率,增强实时性。最后以测试视频为研究对象结合上述两种优化算法进行仿真,结果显示此组合优化方法可使运算速率提高将近30%。

林木果球采收机械臂动力学参数辨识及补偿

由于林木果球采收机械臂的工作场景复杂,对机械臂控制精准度的要求越来越高,研究机械臂动力学模型对其控制精度的影响非常重要。为提升机械臂的控制精度,提出一种在优化后的激励轨迹下基于最小二乘法和高斯混合模型(GMM)的3次迭代整体参数辨识方法。该方法以6自由度机械臂构型为例,通过建立动力学模型及QR(正交三角)分解得到最小参数集;通过轨迹优化算法得到激励轨迹的优化参数,进而得到优化的激励轨迹;得到轨迹后,依次对关节力矩采用迭代加权最小二乘法进行理论辨识,构建区分关节高、低速的非线性模型对机械臂非线性摩擦力进行拟合,用GMM算法来补偿无法精确建模的不确定力矩分量。在COMAN R5机械臂上进行试验测试,结果表明,所提出的轨迹参数优化方法将条件数从329减少到193,力矩残差的平均均方根从9.53降低到6.14,从而证明激励轨迹和辨识方案的可行性和有效性。

基于高斯混合模型的铝电解槽况聚类研究

铝电解是一个非常复杂的工业过程,在整个过程中产生了大量的生产数据,通过对这些数据的深入分析和挖掘,找到潜在的信息,分析其与槽况变化的联系。为了进一步发现槽况变化规律,利用具有软聚类特点的高斯混合模型分析槽况,但其存在需要人为控制聚类个数K的弊端。所以提出一种改进的自适应K值的GMM算法应用到铝电解槽况中,该方法减少了人为控制参数K带来的不确定性,并能够有效的将槽况分为若干类,方便专业人员判断槽况的好坏,可以为后续的决策提供参考依据。

基于多维属性的轨道交通出行行为分类方法

为了深入挖掘轨道交通乘客出行多样性,全面掌握不同群体的出行时空规律,本文利用西安市2017年4月AFC一票通和一卡通的刷卡数据,基于两类群体不同时间(工作日、双休日和节假日)的客流统计特征,重点针对一卡通用户,构建了全面表征轨道交通乘客多维出行特征的指标体系。采用GMM算法对工作日出行乘客进行聚类分析,得到5类轨道出行典型群体,探讨了不同群体的行为动力学特征。结果表明,本文提出的分类方法既能兼顾已有的出行强度分类效果,更能发掘如线路利用熵值等其他维度上轨道出行特征的差异性。引入行为动力学分析深入剖析了乘客出行的内在机理,表明群体层面轨道出行呈现“强阵发、弱记忆”的特征;出行稳定群体出行时间间隔呈现“非幂律非指数”状态,且该群体出行时间间隔的“胖尾”特征和随机性相对于随机出行群体和偶发出行群体均不显著。研究结论有助于发掘轨道出行多样性,把握时空规律,为优化城市轨道交通运营管理、制定具体运营管理方案提供理论依据和数据支撑。