电子器件
電子器件
전자기건
JOURNAL OF ELECTRON DEVICES
2011年
5期
604-606
,共3页
张燕%陈存宝%姜志鹏%姚健东
張燕%陳存寶%薑誌鵬%姚健東
장연%진존보%강지붕%요건동
噪声%高斯混合模型(GMM)%自联想神经网络(AANN)%嵌入
譟聲%高斯混閤模型(GMM)%自聯想神經網絡(AANN)%嵌入
조성%고사혼합모형(GMM)%자련상신경망락(AANN)%감입
提出了高斯混合模型应用于噪声分类的具体方法.并且在此基础上提出了一种嵌入自联想神经网络的高斯混合模型,它充分利用了神经网络和高斯混合模型各自的优点,以最大似然概率(ML)为准则,把它们作为一个整体来进行训练.训练过程中,高斯混合模型和神经网络的参数交替更新.由于神经网络起到了“数据整形”的作用,因而提高了不同噪声源的相同噪声类型的噪声特征数据的相似性.实验结果表明,嵌入自联想神经网络的高斯混合模型比高斯混合模型的噪声分类识别率有所提高.
提齣瞭高斯混閤模型應用于譟聲分類的具體方法.併且在此基礎上提齣瞭一種嵌入自聯想神經網絡的高斯混閤模型,它充分利用瞭神經網絡和高斯混閤模型各自的優點,以最大似然概率(ML)為準則,把它們作為一箇整體來進行訓練.訓練過程中,高斯混閤模型和神經網絡的參數交替更新.由于神經網絡起到瞭“數據整形”的作用,因而提高瞭不同譟聲源的相同譟聲類型的譟聲特徵數據的相似性.實驗結果錶明,嵌入自聯想神經網絡的高斯混閤模型比高斯混閤模型的譟聲分類識彆率有所提高.
제출료고사혼합모형응용우조성분류적구체방법.병차재차기출상제출료일충감입자련상신경망락적고사혼합모형,타충분이용료신경망락화고사혼합모형각자적우점,이최대사연개솔(ML)위준칙,파타문작위일개정체래진행훈련.훈련과정중,고사혼합모형화신경망락적삼수교체경신.유우신경망락기도료“수거정형”적작용,인이제고료불동조성원적상동조성류형적조성특정수거적상사성.실험결과표명,감입자련상신경망락적고사혼합모형비고사혼합모형적조성분류식별솔유소제고.