搜索资源列表
DTWspeech
- 本 文 首先 介绍了语音识别的研究和发展状况,然后循着语音识别系统的 处理过程,介绍了语音识别的各个步骤,并对每个步骤可用的几种方法在实 验基础上进行了分析对比。研究了语音信号的预处理和特征参数提取,包括 语音信号的数字化、分帧加窗、预加重滤波、端点检测及时域特征向量和变 换域特征向量.其中端点检测采用双门限法.通过实验比对特征参数的选取, 采用12阶线性预测倒谱系数作为识别参数。详细分析了特定人孤立词识别算 法,选定动态时间弯折为识别算法,并重点介绍其设计实现。 在
Unsupervised_Adapting_in_Speech_Recognising_using_
- 介绍了一种基于词网的最大似然线性回归无监督自适应算法,并进行了改进。根据解码得到的词网估计变换参数,词网的潜在误识率远小于识别结果,因此可以使参数估计更为准确。传统的一个很大缺点是计算量极大,较难实用,对此本文提出了两个改进技术:1利用后验概率压缩词网;2利用单词的时间信息限制状态统计量的计算范围。实验测定,误识率比传统相对下降了。-Introduced the term network based maximum likelihood linear regression unsupervise
bayes
- 贝叶斯分类器计算的后验概率值,找到最大的后验概率-Bayesian classifier posteriori probability value, find the maximum a posteriori probability
EM_matlab
- 是一种用于含有隐变量(hidden variable)的概率参数模型的最大似然估计或极大后验概率估计的matlab算法。 -EM MATLAB
Naive-bayes
- 本文以拼写检查作为例子,讲解Naive Bayes分类器是如何实现的。对于用户输入的一个单词(words),拼写检查试图推断出最有可能的那个正确单词(correct)。当然,输入的单词有可能本身就是正确的。比如,输入的单词thew,用户有可能是想输入the,也有可能是想输入thaw。为了解决这个问题,Naive Bayes分类器采用了后验概率P(c|w)来解决这个问题。P(c|w)表示在发生了w的情况下推断出c的概率。为了找出最有可能c,应找出有最大值的P(c|w),即求解问题-In this
em聚类
- em算法指的是最大期望算法(Expectation Maximization Algorithm,又译期望最大化算法),是一种迭代算法,用于含有隐变量(latent variable)的概率参数模型的最大似然估计或极大后验概率估计。(Expectation Maximization Algorithm use for clustering)
2337
- 最大似然(ML)准则和最大后验概率(MAP)准则,滤波求和方式实现宽带波束形成,分析了该信号的时域、频域、倒谱,循环谱等。( Maximum Likelihood (ML) criteria and maximum a posteriori (MAP) criterion, Filtering summation way broadband beamforming, Analysis of the signal time domain, frequency domain, cepstrum, c
锂电池退化GPR
- 高斯过程回归是一种基于贝叶斯原理的统计机器学习方法,将先验分布通过贝叶斯定理转化成后验分布,与其他没有采用贝叶斯技巧的预测方法而言,高斯过程最大的优点是能方便地推断出超参数,同时也能方便地给出预测值的置信区间(Gaussian Process Regression is a statistical machine learning method based on Bayesian principle. It transforms prior distribution into posterio
em
- 在统计计算中,最大期望(EM)算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法,其中概率模型依赖于无法观测的隐性变量。最大期望算法经常用在机器学习和计算机视觉的数据聚类(Data Clustering)领域。(In statistical computation, the maximum expectation (EM) algorithm is an algorithm to find the maximum likelihood estimation or the maximum