搜索资源列表
newpnn
- 基于GMM的概率神经网络PNN具有良好的泛化能力，快速的学习能力，易于在线更新,并具有统计学的贝叶斯估计理论基础，已成为一种解决像说话人识别、文字识别、医疗图像识别、卫星云图识别等许多实际困难分类问题的很有效的工具。而且PNN不但具有GMM的大部分优点，还具有许多GMM没有的优点，如强鲁棒性，需要更少的训练语料，可以和其他网络其他理论无缝整合等。-GMM based probabilistic neural network PNN good generalization ability, the
MusicSegmentation_F02
- 音频流提取 音频特征提取 音频分类 可用于说话人模型训练,静音,音乐和背景音的分类-Audio Streaming Audio extraction feature extraction can be used for classification of Audio speaker model training, quiet, Music and background noise classification
1
- 摘要：提出了一种新的说话人识别中特征参数的提取方法*在分别使用傅立叶分析和小波分析得到两组特征 参数之后，进一步利用+,-./0准则进行参数选取，构造了一种新的混合特征参数*在不增加训练和识别时计算 量的同时，结合了傅立叶分析和小波分析两者的优点，具有更好的分类能力*实验结果显示，这种新的混合参数 有效地提高了说话人的识别率，能更好地表征说话人的特征*
speaker1PGMM
- 说话人识别GMM模型训练MATLAB程序，需要和voicebox配合使用，使用voicebox提取MFCC和k均值分类，这是GMM说话人识别模型的训练程序。-Speaker Recognition GMM model training MATLAB program used in conjunction with and voicebox, voicebox extract MFCC and k-means classification, which is a GMM speaker recog
MFCC-and-SVM
- 建立了普通话语音性别数据库,提出联合梅尔频率频谱系数(Mel2f requency Cep st rum Coefficient s , MFCC) 的特征提取方法和支持向量机(Support Vector Machine , SVM) 的分类方法进行说话人性别识别,并与其它分类方法进行比较。-A Chinese speech ( mandarin ) database was established for speaker s gender recognition. A combina
Speakerrecognitionbased-on-MFCC
- 这是一篇工学硕士论文，主要说关于说话人语音识别，，以支持向量机为分类器，分别以MFCC和IM-FCC为特征单独执行分类，将得到结果按某种方式融合，取两者之长，最后做出判决来提高说话人识别系统的性能。-Speaker recognition is a kind of technology that take the use of the information contained in the speech signal to identify who is the speaker or to
didigtal-image
- 基于GMM的概率神经网络PNN具有良好的泛化能力，快速的学习能力，易于在线更新,并具有统计学的贝叶斯估计理论基础，已成为一种解决像说话人识别、文字识别、医疗图像识别、卫星云图识别等许多实际困难分类问题的很有效的工具。而且PNN不但具有GMM的大部分优点，还具有许多GMM没有的优点，如强鲁棒性，需要更 -image processing
SpeakerRecognitionsystem_mfcc
- 说话人识别的一个完整例子，包括分帧、特征提取（MFCC）、分类器（矢量量化VQ），训练阶段和识别阶段分为两个函数，包含样本语音文件，设置好路径，点击main函数即可直接运行。-A complete example of speaker recognition, including framing, feature extraction (MFCC), classification (vector quantization VQ) training phase and recognition ph
基于聚类的双说话人混合语音分离
- 是一篇很棒的说话人分离的文章，很适合初学者(It's a great speaker separated article, very suitable for beginners)