导读:本文包含了补偿识别算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,算法,特征,缺失,泰勒,云状,毛羽。
补偿识别算法论文文献综述
茅正冲,王俊俊,黄舒伟[1]（2019）在《基于PLDA信道补偿的说话人识别算法》一文中研究指出近年来,针对说话人识别算法普遍受到信道因素的干扰问题,研究者提出使用总变化因子分析的识别方法对语音信道进行补偿得到了很不错的效果,其中概率线性判别分析(Probabilistic Linear Discriminant Analysis,PLDA)因其表现优异而受到学者们的关注。然而,高斯PLDA模型中I-Vector并非符合标准正态分布。因此论文在特征域利用特征弯折算法对梅尔倒谱系数(MFCC)进行处理,以消除背景噪声以及线性信道的影响。然后在模型域对I-Vector进行非线性转换使其分布更适合用PLDA模型区分说话人,以提高说话人识别系统的识别率。实验结果表明,使用传统GMM/UBM的系统,在NIST SRE-2010评估数据集上使用所提议的技术获得了很好的效果。(本文来源于《计算机与数字工程》期刊2019年11期）
孙巧妍,陈祥光,刘美娜,孙玉梅,辛斌杰[2]（2019）在《基于毛羽补偿与自适应中值滤波的纱线主体图像识别算法》一文中研究指出为解决纱线参数识别与计算过程中毛羽对纱线主体图像识别的干扰问题,提出了基于毛羽部分图像灰度补偿与自适应中值滤波的算法。采用R数据将影像扫描仪采集到的RGB图像二值化处理为灰度图像;然后根据毛羽形态上垂直方向灰度值的变化规律识别毛羽(白色背景黑色纱线),并进行由小及大的3层推抹补偿,同时根据毛羽像素灰度值特点识别毛羽(黑色背景白色纱线),并用背景灰度值补偿;最后将补偿后的2种图像各自进行最大窗口小于11的自适应中值滤波。MatLab仿真结果表明,该算法可较快地识别并补偿毛羽部分像素得到清晰的纱线主干图像,处理结果可达到检测精度要求。(本文来源于《纺织学报》期刊2019年01期）
黄华林[3]（2017）在《基于方向补偿匹配算法和脚跟着地特征的鲁棒步态识别》一文中研究指出针对步态识别中传感器方向不一致和动作信号分割问题,提出利用方向补偿匹配算法解决传感器方向不一致问题,利用脚跟着地的观测特征计算似然度.首先,通过IMUZ传感器获得动作的加速度和旋转速度,根据加速度计算出脚跟着地(HST)特征的似然度;然后,利用IMUZ传感器的旋转矩阵进行倾斜校正,利用方向补偿信号匹配算法解决传感器方向不一致问题;最后,通过计算数据库样本与探针样本的距离获得匹配度.实验结果表明,与固定窗口方法、动态窗口方法、运动角联合方法和传感器融合方法相比,本文方法对5种步态类别的识别率更加稳定,对4种步态的识别率明显高于其他方法.(本文来源于《西南师范大学学报(自然科学版)》期刊2017年03期）
申铉京,翟玉杰,卢禹彤,王玉,陈海鹏[4]（2016）在《基于信道补偿的说话人识别算法》一文中研究指出现有说话人识别算法普遍受信道因素的干扰,为了提高算法的准确率,在特征级利用特征弯折算法对语音特征参数进行处理,在模型级利用因子分析技术对说话人混合高斯模型(GMM)进行信道处理。对端点进行检测后,利用特征弯折算法对语音特征参数梅尔倒谱系数(MFCC)进行处理,去除线性信道和背景噪声的影响,并建立说话人GMM。然后利用因子分析技术拟合说话人特征空间与信道空间的差异,去除信道因子的影响。最后提取高斯超向量并通过支持向量机(SVM)得到识别结果。实验结果证明了信道补偿算法与GMM-SVM相结合能获得更好的识别率,并能保证算法的鲁棒性。(本文来源于《吉林大学学报(工学版)》期刊2016年03期）
李海静[5]（2016）在《语音识别系统中的VTS特征补偿算法优化》一文中研究指出在实际环境中,由于环境噪声的干扰,语音识别系统的识别性能并不理想。矢量泰勒级数(VTS:Vector Taylor Series)特征补偿是一种基于模型的特征补偿算法,具有很强的鲁棒性,能够有效解决训练环境与测试环境失配导致的识别性能下降问题。针对VTS计算量大、在低信噪比环境下性能急剧下降的问题,论文将对基于VTS的孤立词识别系统进行优化,主要包括基于双层高斯混合模型(GMM:Gaussian Mixture Model)结构的VTS特征补偿优化,以及针对多环境模型的噪声参数估计的初始值优化,通过优化提高系统的识别速度和识别率,增强语音识别系统的实用性。主要工作如下：(1)鲁棒语音识别系统结构分析。重点分析鲁棒语音识别中的关键技术,包括基于加权子带谱熵的端点检测算法,VTS特征补偿算法,以及声学模型。声学模型包括用于特征补偿的GMM模型和模式识别的隐马尔可夫模型(HMM:Hidden Markov Model).(2)基于双层GMM模型的VTS补偿算法优化。针对VTS特征补偿计算量大的问题,本文提出了双层GMM的VTS算法结构,将特征补偿中的噪声参数估计过程和特征映射过程分开进行。在训练阶段,分别得到高斯单元混合数个数较少的GMM1模型和混合高斯个数较多的GMM2模型。特征补偿过程中,先用GMM1模型估计测试语音中噪声的均值和方差,再利用GMM2模型基于最小均方误差准则,将测试语音的含噪特征参数映射成纯净的语音特征参数。算法优化大幅降低了计算量,同时保持了识别性能。(3)基于多环境模型VTS算法的噪声参数估计初始值优化。基于多环境模型VTS语音识别从基本环境模型集中选出与当前环境最匹配的声学模型,用于特征补偿,能够有效降低训练环境与测试环境之间的失配性。根据最优GMM模型设置噪声参数的初始值,在噪声参数迭代求解过程中可以有效的避免最大期望(EM:Expectation-maximization)算法陷入局部收敛,使得EM算法能够以更少的迭代次数收敛到更为准确的估计值,从而提高语音识别性能。(4)实现了基于MATLAB的离线仿真测试和基于C平台的实时测试。在MATLAB平台和C平台进行大量实验,验证本文所提出优化算法的有效性。实验证明,本文所提出的双层GMM结构优化算法在中文语音库下识别速度提升38%左右,噪声参数估计EM迭代初始值优化算法能够更加准确的估计出噪声参数,从而使系统误识率下降,特别是在低信噪比环境下效果更加明显。(本文来源于《东南大学》期刊2016-05-10）
高涵[6]（2016）在《模式识别中光照补偿处理算法研究》一文中研究指出随着计算机科学技术的不断发展与大数据时代的降临,以及深度学习技术横空出世,图像识别技术有了突破性的进展。之前,目标识别尤其是人脸识别系统的性能在很大程度上受到光照条件的影响,科研人员也在这方面有了许多的研究,但是识别效果仍不理想。然而解决复杂光照条件下的目标识别是其通往实用化的至关重要的一步,在此背景下,本文首先基于Retinex模型,提出了改进算法AuReH,其次结合卷积神经网络与光照补偿算法AuReH进行研究,提出了端对端的RetiNet模型,实验表明该模型具有很好的光照鲁棒性,能达到较高的识别准确率。本文重点研究复杂场景下光照鲁棒的卷积神经网络图像识别方法,并对传统的多尺度Retinex彩色增强进行改进,主要工作有以下几部分:1.传统的彩色增强算法有许多,包括空间域的图像增强算法,其中包括灰度变换,直方图增强,空间滤波等,同时基于频域方面处理的有频域平滑滤波与品与锐化滤波。不过自从Land提出Retinex[1]理论后,不同形式的Retinex算法相继出现,对图像增强领域有重大的贡献。本文提出了一种基于Retinex理论的自适应算法AuReH,相比于传统Retinex及其变种,该算法能够纠正传统的色偏问题,同时在彩色增强方面有着更好的效果,并对有雾图像能够进行自动去雾。2.对于光照对识别率的影响问题,针对了不同图像应用领域甚至相同图像领域识别的特征提取困难以及由光照影响造成识别率降低的问题,研究了基于卷积神经网络模型与本文提出的AuReH算法相结合的端对端RetiNet模型。3.设计并实现了跨平台的卷积神经网络系统。4.利用RetiNet模型对不同的数据集进行训练,测试并对结果进行分析。(本文来源于《北京理工大学》期刊2016-01-01）
王凤刚,凌贤长,徐训,张锋,赵莹莹[7]（2014）在《基于全量补偿算法的结构损伤识别》一文中研究指出频率和振型是反应结构动力特性的主要模态参数,文中对损伤结构的频率和振型进行了研究。通过实测损伤结构的频率和振型,利用矩阵理论修正理论有限元模型,使之与实测损伤结构的频率和振型一致;将修正的理论有限元模型表达成单元刚度矩阵与损伤因子的线性组合,把损伤识别问题转化为组合系数的识别问题。给定损伤因子的合理取值范围,用优化方法求解损伤因子。通过对十跨桁架结构的数值仿真,仅用结构的前5阶频率和振型就能很好的识别结构的损伤,且该方法不需要对实测振型进行归一化处理,具有较强的实用性。(本文来源于《哈尔滨工程大学学报》期刊2014年12期）
陈晓颖,宋爱国,李建清,孙学金,朱益民[8]（2013）在《地基云图识别的光照补偿算法》一文中研究指出为研究地基云图云状识别中的光照补偿问题,针对可见光地基云图,提出了一种基于BEMD与Closed-Form景物提取算法相结合的地基云图光照补偿算法对云图进行预处理,经过去光照处理后的云图,再进行Hilbert谱特征提取,最后进行云类的识别。与基于L1的全变分模型的光照补偿算法相比,可有效地去除云图的光照影响,又不至于去掉云图自身的信息,且与背景区别明显。试验结果表明,使用该方法与未进行处理的云图相比识别率提高4.17%~18.88%。(本文来源于《解放军理工大学学报(自然科学版)》期刊2013年05期）
胡旭琰,邹月娴,王文敏[9]（2013）在《一种基于MDT特征补偿的噪声鲁棒语音识别算法》一文中研究指出本文针对噪声环境下语音识别系统性能下降的问题,提出了一种新的基于语音时频相关性的Mel特征矢量聚类补偿算法(TF-CBFC)。该算法首先基于时频点信噪比实现了掩码估计,利用纯净语音信号时域和频域的相关性,实现了时频块(TFB)的有效划分和TFB语音特征聚类。在此基础上,对带噪语音的TFBMel语谱进行特征补偿。采用HTK工具和TiDigits数据库加入不同类别噪声的带噪语音测试结果表明,本文提出的TF-CBFC算法在不同信噪比条件下,获得了较基于频域相关性聚类特征补偿算法更好的语音识别性能。(本文来源于《需将论文集名称修改为“第十二届全国人机语音通讯学术会议（NCMMSC2013）论文集》期刊2013-08-05）
胡旭琰,邹月娴,王文敏[10]（2013）在《基于MDT特征补偿的噪声鲁棒语音识别算法》一文中研究指出针对噪声环境下语音识别系统性能下降的问题,提出一种基于语音时频相关性的Mel特征矢量聚类补偿算法。该算法首先实现掩码估计,利用纯净语音信号时域和频域的相关性,实现了时频块的有效划分和基于时频块的语音特征聚类。在此基础上,对带噪语音的Mel语谱进行特征补偿。采用HTK工具和TIDIGITS数据库加入不同类别噪声的语音测试结果表明:该算法在不同信噪比条件下,获得了较基于频域相关性聚类特征补偿算法更好的性能。(本文来源于《清华大学学报(自然科学版)》期刊2013年06期）
补偿识别算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决纱线参数识别与计算过程中毛羽对纱线主体图像识别的干扰问题,提出了基于毛羽部分图像灰度补偿与自适应中值滤波的算法。采用R数据将影像扫描仪采集到的RGB图像二值化处理为灰度图像;然后根据毛羽形态上垂直方向灰度值的变化规律识别毛羽(白色背景黑色纱线),并进行由小及大的3层推抹补偿,同时根据毛羽像素灰度值特点识别毛羽(黑色背景白色纱线),并用背景灰度值补偿;最后将补偿后的2种图像各自进行最大窗口小于11的自适应中值滤波。MatLab仿真结果表明,该算法可较快地识别并补偿毛羽部分像素得到清晰的纱线主干图像,处理结果可达到检测精度要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
补偿识别算法论文参考文献
[1].茅正冲,王俊俊,黄舒伟.基于PLDA信道补偿的说话人识别算法[J].计算机与数字工程.2019
[2].孙巧妍,陈祥光,刘美娜,孙玉梅,辛斌杰.基于毛羽补偿与自适应中值滤波的纱线主体图像识别算法[J].纺织学报.2019
[3].黄华林.基于方向补偿匹配算法和脚跟着地特征的鲁棒步态识别[J].西南师范大学学报(自然科学版).2017
[4].申铉京,翟玉杰,卢禹彤,王玉,陈海鹏.基于信道补偿的说话人识别算法[J].吉林大学学报(工学版).2016
[5].李海静.语音识别系统中的VTS特征补偿算法优化[D].东南大学.2016
[6].高涵.模式识别中光照补偿处理算法研究[D].北京理工大学.2016
[7].王凤刚,凌贤长,徐训,张锋,赵莹莹.基于全量补偿算法的结构损伤识别[J].哈尔滨工程大学学报.2014
[8].陈晓颖,宋爱国,李建清,孙学金,朱益民.地基云图识别的光照补偿算法[J].解放军理工大学学报(自然科学版).2013
[9].胡旭琰,邹月娴,王文敏.一种基于MDT特征补偿的噪声鲁棒语音识别算法[C].需将论文集名称修改为“第十二届全国人机语音通讯学术会议（NCMMSC2013）论文集.2013
[10].胡旭琰,邹月娴,王文敏.基于MDT特征补偿的噪声鲁棒语音识别算法[J].清华大学学报(自然科学版).2013
论文知识图
