有序聚类方法及其在神经网络语音识别中的应用

本文提出了一种新的网络结构，我们称之为有序聚类网络。这种网络能够对语音信号进行特征提取，很好地解决神经网络语音识别中的时间规整问题。有序聚类网络从输入语音信号的特征矢量序列中提取出一组固定数目的特征矢量，然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较，用这种网络进行前端处理，可以缩短后端神经网络分类器的训练和识别时间，简化分类器的网络结构并保持较高的识别率。根据该方法我们建立了一个语音识别系统,并对两组英语单词进行了识别测试。实验结果表明，该方法优于传统的隐马尔可夫模型方法以及其它一些神经网络方法。

一种针对频率选择性MIMO信道的新型空时分层迭代检测算法

本文针对FS-BLAST算法中的误码扩散问题提出了一种新的分层迭代方法:部分最大似然分层迭代(MLIC)算法。FS-BLAST由于采用了干扰对消的方案,不可避免的产生了误码扩散问题。在本文中,提出了一种新的部分最大似然分层迭代方案,它在分层迭代算法中引入最大似然的概念,是最大似然检测和分层迭代算法的折衷。从实验仿真中,可以看出,这种改进的算法比传统的FS-BLAST和已有的迭代算法具有更好的系统性能。