-
Patent Agency Ranking
公开(公告)号：CN118841027A
公开(公告)日：2024-10-25
申请号：CN202410698023.8
申请日：2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于特征重要性方法的可解释恶意语音检测方法，属于深度学习、机器学习可解释性技术领域。该方法旨在缓解维度灾难问题，同时确保所选特征能够提升模型对恶意语音的检测性能。本发明利用机器学习的可解释性来优化模型训练中的特征维度选择，通过分析特征的贡献度，区分了影响模型性能的关键特征和可以被移除的非关键特征。这种基于贡献度分析的特征选择方法提高了模型训练和部署的效率，增加了模型的透明度和用户的信任度。在检测恶意语音的应用中，本发明方法通过评估每个特征的贡献，筛选出对区分正常语音和恶意语音具有显著分辨力的特征。优化后的特征空间提高了恶意语音检测精度，降低了计算负担。
-
公开(公告)号：CN118588099A
公开(公告)日：2024-09-03
申请号：CN202410660371.6
申请日：2024-05-27
Applicant: 辽宁大学
IPC: G10L21/013 , G10L25/30
Abstract: 本发明涉及一种基于StarGAN损失函数的语音音色转换方法，包括如下步骤：步骤1，提取语音数据集特征，用于构建特征集合；步骤2，设计StarGAN损失函数：通过对抗损失函数和源分类器损失函数的优化，实现样本的音色转换；步骤3，训练SrarGAN语音音色转换模型；步骤4，当模型训练完成后，利用其进行预测，以进行语音音色风格的转换。该方法通过设计StarGAN损失函数生成不同情感语音不同方法，在进行音色转换时，我们不仅要确保语音的清晰度，还要尽量保持其自然度，使得转换后的语音听起来更加流畅自然。
-
公开(公告)号：CN118629423A
公开(公告)日：2024-09-10
申请号：CN202410698027.6
申请日：2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于特征组合遗传算法的恶意语音检测方法，在恶意语音检测中具有较高的可信度和较低的误判概率。该方法中，结合适应度函数、特征重要性选择方法以及交叉和变异操作，能够有效地提取特征组合并训练最终的恶意语音检测模型。同时，还使用了基于特征重要性的启发式选择方法来选择特征组合父本。具体方法是通过将各个特征组合样本中各个特征的重要性进行累计，作为选择的标准。这样可以确保重要特征在选择过程中有更高的机会被选中，从而增加了特征组合搜索的效率和准确性。该方法在恶意语音检测方面取得了显著的改进，大大提高了恶意语音的准确率和误报率。这一发明为恶意语音检测的研究和实践提供了一种有效的方法，具有广泛应用和推广价值。
-
公开(公告)号：CN118629422A
公开(公告)日：2024-09-10
申请号：CN202410698022.3
申请日：2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于影响函数的恶意语音检测方法，该方法通过分析数据点对模型预测的影响度，增强了深度学习模型在恶意语音检测领域的可解释性。利用影响函数对原始声音信号中可能存在的恶意语音进行识别和检测，大幅提升了检测精度和效率。相较于传统方法，该方法通过影响函数使用较少的计算量来达到较好的检测效果。这种技术在保持检测在效率和优势方面表现出色，为深度学习和解释性机器学习领域提供了新的应用可能。该技术不仅提高了恶意语音检测的准确性，还能准确地识别并解释模型为何将特定语音判定为恶意，从而在确保检测率的同时，提升了模型的透明度和信任度。
-
公开(公告)号：CN118588098A
公开(公告)日：2024-09-03
申请号：CN202410660260.5
申请日：2024-05-27
Applicant: 辽宁大学
IPC: G10L21/013 , G10L25/30 , G10L25/63
Abstract: 本发明涉及一种基于StarGAN情感架构的语音情感转换方法，包括如下步骤：步骤1，构建SrarGAN语音情感转换模型，步骤2，StarGAN语音情感转换模型的训练；步骤3：提取特征、设定目标风格编码，使用步骤2训练好的模型实现语音风格转换。该方法通过设计StarGAN损失函数生成不同情感语音不同方法，旨在解决情感语音生成中不流畅、不自然的问题。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
