搜索资源列表
application_of_special_person_on_ASR_for_the_contr
- 常用的说话人识别方法有模板匹配法、统计建模法、联接主义法(即人工神经网络实现)。考虑到数据量、实时性以及识别率的问题，采用基于矢量量化和隐马尔可夫模型(HMM)相结合的方法。 说话人识别的系统主要由语音特征矢量提取单元(前端处理)、训练单元、识别单元和后处理单元组成，
sasdw.rar
- 现有数字信号自动调制识别方法大多只适用于无记忆信号，如PSK、ASK、FSK信号等。将有记忆 信号(MSK信号)和无记忆信号一起考虑，提出了一种改进的数字信号自动识别方法。该方法采用信号的瞬时统 计量作为特征参数，采用多层神经网络作为分类器。计算机仿真表明：当噪声采用高斯白噪声，并且信噪比大于 l5 dB时，识别率高于96％ ；当信噪比不低于l0 dB时，识别率不低于90％。,Existing digital signal automatic modulation recognition
Support-vector-machine-
- 提出了一种支持矢量机的汉语声调识别新方法。论文首先在基频和对数能量的基础上，建立了一个适合于支 持矢量机分类的等维声调特征。然后对支持矢量机的多分类策略和不同核函数对声调识别的影响进行了实验研究。 与BP神经网络相比，支持矢量机具有更高的识别率和更强的推广能力。-This paper presents a novel support vector machine based Chinese tone recognition method．A new tone recognition
A-hybrid
- 针对传统的ＢＰ或ＧＡ对模糊神经网络的识别应用存在收敛容易陷入局部极小 识别率低下等问题 提出一 种基于ＢＦＧＳ的混合遗传算法 其基本思想为 首先构造一种前馈型模糊神经网络结构 然后用遗传算法进化若干代 后 当目标函数的梯度或者范数小于预先设定值 则改用ＢＦＧＳ算法进行优化识别 仿真实验表明 对比ＧＡ该算法 收敛速度较快 识别精度提高了约７％ 能够较好地应用于一类模糊神经网络的识别-In traditional BP or GA to identify the application
Grading-test
- 为实现合格和缺陷板栗的分级， 研究了 1 种基于 BP 神经网络与板栗图像特征的板栗分级方法。 试验以罗田板 栗为研究对象， 提取的颜色及纹理等 8 个特征值， 通过主成分分析提取相应的主成分得分向量构成模式识别的输入。 利 用 BP 神经网络方法建立了板栗分级模型。 试验结果表明， 在图像信息主成分因子数为 3， 中间层节点数为 12 时， 建立 的模型最佳， 模型训练时的回判率为 100 ， 预测时识别率达到了 91 .67 。 研究结果表明基于机器视觉技术的针对缺陷 板栗分
seqkd
- BP神经网络用于函数拟合与模式识别，Pisarenko谐波分解算法,给出接收信号眼图及系统仿真误码率。- BP neural network function fitting and pattern recognition, Pisarenko harmonic decomposition algorithm, The received signal is given eye and BER simulation systems.