-
公开(公告)号：CN104183239B
公开(公告)日：2017-04-19
申请号：CN201410361706.0
申请日：2014-07-25
Applicant: 南京邮电大学
Abstract: 本发明公开了基于加权贝叶斯混合模型的与文本无关的说话人识别方法，该方法首先对用于训练的语音信号集合进行预处理和特征提取，接着在训练过程中采用加权贝叶斯混合模型来描述训练集合，通过训练分别估计出加权贝叶斯混合模型中的参数值以及随机变量分布，从而得到与每一说话人相对应的加权贝叶斯混合模型；在识别时，将经过预处理和特征提取的带识别的语音，计算其关于训练好的每一说话人相对应的加权贝叶斯混合模型的边缘似然值，将最大边缘似然值对应的说话人作为识别结果。本发明能有效地提高与文本相关说话人识别系统的识别正确率，避免传统方法中容易出现的过拟合和欠拟合问题，并且使得先验信息和训练数据的相对权重更容易和灵活地控制。
-
公开(公告)号：CN104994170A
公开(公告)日：2015-10-21
申请号：CN201510414218.6
申请日：2015-07-15
Applicant: 南京邮电大学
Abstract: 本发明公开了传感器网络中基于混合因子分析模型的分布式聚类方法，该方法用混合因子分析模型来建模传感器网络中各节点处待聚类的数据，各节点基于自身数据计算局部充分统计量，而后将该量扩散广播给其邻居节点，当节点收到所有来自邻居节点的局部充分统计量之后，其可以获得联合充分统计量，并基于该统计量估计出混合因子分析模型中的各个参数，最终基于估计出的模型完成聚类。本发明建立混合因子分析模型可以在聚类的同时完成数据的降维，采用分布式聚类方式，避免传统的集中式处理方式中由中心节点带来的网络崩溃。在本发明分布式聚类方法中，各节点间传输的是充分统计量而不是数据，既大大节省了通信开销，又可以较好地保护数据中的隐私信息。
-
公开(公告)号：CN104183239A
公开(公告)日：2014-12-03
申请号：CN201410361706.0
申请日：2014-07-25
Applicant: 南京邮电大学
Abstract: 本发明公开了基于加权贝叶斯混合模型的与文本无关的说话人识别方法，该方法首先对用于训练的语音信号集合进行预处理和特征提取，接着在训练过程中采用加权贝叶斯混合模型来描述训练集合，通过训练分别估计出加权贝叶斯混合模型中的参数值以及随机变量分布，从而得到与每一说话人相对应的加权贝叶斯混合模型；在识别时，将经过预处理和特征提取的带识别的语音，计算其关于训练好的每一说话人相对应的加权贝叶斯混合模型的边缘似然值，将最大边缘似然值对应的说话人作为识别结果。本发明能有效地提高与文本相关说话人识别系统的识别正确率，避免传统方法中容易出现的过拟合和欠拟合问题，并且使得先验信息和训练数据的相对权重更容易和灵活地控制。
-
公开(公告)号：CN104166993B
公开(公告)日：2017-02-22
申请号：CN201410361656.6
申请日：2014-07-25
Applicant: 南京邮电大学
IPC: G06T7/11
Abstract: 本发明公开了一种基于加权变分期望最大化准则的图像分割方法，该方法首先对待分割的图像进行特征信息的提取，接着用扩展高斯混合模型来描述图像特征信息的分布，并且基于加权变分期望最大化准则对扩展高斯混合模型参数的变分分布进行估计，估计完成后获得各个像素点由各个欲划分出的类所产生的概率，最后进行判决，将每个像素点关于各个类的概率值中的最大值所对应的序号作为该像素点最终所分配到的类，从而完成图像分割过程。本发明能有效地提高彩色图像分割的质量和效果，分割出的图像具有较好的平滑性。本发明能够避免基于最大似然准则的分割方法中容易出现的过拟合和欠拟合问题。
-
Patent Agency Ranking
公开(公告)号：CN104994170B
公开(公告)日：2018-06-05
申请号：CN201510414218.6
申请日：2015-07-15
Applicant: 南京邮电大学
Abstract: 本发明公开了传感器网络中基于混合因子分析模型的分布式聚类方法，该方法用混合因子分析模型来建模传感器网络中各节点处待聚类的数据，各节点基于自身数据计算局部充分统计量，而后将该量扩散广播给其邻居节点，当节点收到所有来自邻居节点的局部充分统计量之后，其可以获得联合充分统计量，并基于该统计量估计出混合因子分析模型中的各个参数，最终基于估计出的模型完成聚类。本发明建立混合因子分析模型可以在聚类的同时完成数据的降维，采用分布式聚类方式，避免传统的集中式处理方式中由中心节点带来的网络崩溃。在本发明分布式聚类方法中，各节点间传输的是充分统计量而不是数据，既大大节省了通信开销，又可以较好地保护数据中的隐私信息。
-
公开(公告)号：CN101989864B
公开(公告)日：2013-10-30
申请号：CN200910183004.7
申请日：2009-08-04
Applicant: 南京邮电大学
IPC: H04B1/7103
Abstract: 本发明涉及通信技术领域中的信号干扰的处理方法，尤其涉及一种DS/CDMA系统中的盲多址干扰抑制方法。在每次迭代中首先建立包含最优干扰抑制滤波器系数矢量的凸集，并采用向包含该凸集的闭合半平面的投影来逼近当前滤波器系数矢量向该凸集的投影，接着更新干扰抑制滤波器系数矢量，而后采用自适应调节策略更新下一次迭代中的膨胀系数。实验表明，本发明在不同的噪声都可以有效地抑制DS/CDMA系统中的多址干扰，具有快速收敛性和较好的稳定状态下的收敛性能，并且具有较低的计算和实现复杂度。
-
公开(公告)号：CN104992188B
公开(公告)日：2018-04-20
申请号：CN201510415750.X
申请日：2015-07-15
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种t混合因子分析的分布式手写数字识别方法，该方法首先在每个节点处对采集到的手写数字进行特征提取，而后对用于训练的每个数字所对应的特征数据进行初始化，接着各节点基于自身的训练数据计算局部统计量并广播给其邻居节点，同时，各节点根据收到的来自所有邻居节点的局部统计量，计算联合统计量，并基于该联合统计量估计出t混合因子分析中的各个参数，完成分布式训练过程。在分布式识别阶段，测试用的数据可以输入任一节点，计算其关于训练好的每一个数字对应的tMFA的对数似然值，将最大对数似然值对应的数字作为识别结果。采用tMFA对数据中的离群点具有较高鲁棒性，采用分布式训练和识别方式，避免了由中心节点带来的网络崩溃。
-
公开(公告)号：CN104992188A
公开(公告)日：2015-10-21
申请号：CN201510415750.X
申请日：2015-07-15
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种t混合因子分析的分布式手写数字识别方法，该方法首先在每个节点处对采集到的手写数字进行特征提取，而后对用于训练的每个数字所对应的特征数据进行初始化，接着各节点基于自身的训练数据计算局部统计量并广播给其邻居节点，同时，各节点根据收到的来自所有邻居节点的局部统计量，计算联合统计量，并基于该联合统计量估计出t混合因子分析中的各个参数，完成分布式训练过程。在分布式识别阶段，测试用的数据可以输入任一节点，计算其关于训练好的每一个数字对应的tMFA的对数似然值，将最大对数似然值对应的数字作为识别结果。采用tMFA对数据中的离群点具有较高鲁棒性，采用分布式训练和识别方式，避免了由中心节点带来的网络崩溃。
-
公开(公告)号：CN104166993A
公开(公告)日：2014-11-26
申请号：CN201410361656.6
申请日：2014-07-25
Applicant: 南京邮电大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于加权变分期望最大化准则的图像分割方法，该方法首先对待分割的图像进行特征信息的提取，接着用扩展高斯混合模型来描述图像特征信息的分布，并且基于加权变分期望最大化准则对扩展高斯混合模型参数的变分分布进行估计，估计完成后获得各个像素点由各个欲划分出的类所产生的概率，最后进行判决，将每个像素点关于各个类的概率值中的最大值所对应的序号作为该像素点最终所分配到的类，从而完成图像分割过程。本发明能有效地提高彩色图像分割的质量和效果，分割出的图像具有较好的平滑性。本发明能够避免基于最大似然准则的分割方法中容易出现的过拟合和欠拟合问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.028 seconds)
