您的位置: 专家智库 > >

余清清

作品数:5 被引量:12H指数:2
供职机构:福州大学数学与计算机科学学院更多>>
发文基金:福建省教育厅A类人文社科/科技研究项目国家自然科学基金更多>>
相关领域:自动化与计算机技术电子电信更多>>

文献类型

  • 5篇中文期刊文章

领域

  • 4篇自动化与计算...
  • 1篇电子电信

主题

  • 3篇倒谱
  • 3篇倒谱系数
  • 3篇支持向量
  • 3篇支持向量机
  • 3篇谱系数
  • 3篇向量
  • 3篇向量机
  • 3篇MEL频率倒...
  • 1篇声音识别
  • 1篇生态
  • 1篇生态环境
  • 1篇情境
  • 1篇流形
  • 1篇流形学习
  • 1篇混合模型
  • 1篇高斯
  • 1篇高斯混合
  • 1篇高斯混合模型
  • 1篇SVM
  • 1篇SVM模型

机构

  • 5篇福州大学

作者

  • 5篇李应
  • 5篇李勇
  • 5篇余清清

传媒

  • 2篇计算机工程与...
  • 1篇计算机工程
  • 1篇小型微型计算...
  • 1篇计算机与数字...

年份

  • 4篇2011
  • 1篇2010
5 条 记 录,以下是 1-5
排序方式:
新型MFCC和波动模型相结合的二层环境声音识别被引量:2
2011年
对生态环境中各种不同的声音进行快速准确的识别有重要的现实意义,但是因其具有较高背景噪声加大了识别的难度。提出一种具有良好抗噪能力和较高识别性能的两层音频识别技术。选择经过改进的新型的MFCC参数以及波动模型作为生态环境声音的特征集合。利用这种新型的MFCC系数构造音频信号的高斯分布模型,并且计算未知音频信号与样本音频信号的高斯分布模型之间的Kullback-Leibler距离,随后计算它们的波动模型之间的欧几里德距离。根据计算出的Kullback-Leibler距离和欧几里德距离实现两层音频识别系统。实验结果表明两层音频识别技术即使在噪声的影响下也能保持较高的识别率。
李勇李应余清清
关键词:生态环境声音识别
基于流形学习和SVM的环境声音分类被引量:1
2011年
为利用生态环境中各种声音包含的信息,提出一种将流形学习算法和支持向量机(SVM)相结合的生态环境声音分类技术。提取音频强度、音色、音调和音频节奏的特征集合并计算对应的特征向量,采用改进的拉普拉斯特征映射流形学习算法对特征向量进行维数约简,从而降低数据处理的复杂性。使用SVM对降维后的特征向量进行分类,发挥SVM在处理小样本、非线性及高维数据方面的优势,从而提高分类准确率。实验结果表明,该技术能对生态环境声音进行快速准确的分类。
李勇李应余清清
关键词:流形学习支持向量机
噪音情境下生态环境声音的分类被引量:1
2011年
提出一种对含有噪音的生态环境声音进行分类的方法.首先,匹配追踪(Matching Pursuit,简称MP)算法可以提取有效信号的时-频特征,减弱噪音的干扰.支持向量机(support Vector Machine,简称SVM)分类器的鲁棒性比较好,所以提出使用SVM基于MP时-频特征建立模型(简称MP-SVM)对含有噪音的生态环境声音进行分类.实验得出MP-SVM可取得较好的分类效果,证明了MP时-频特征和SVM分类器具有较好的抗噪性.
余清清李应李勇
关键词:MEL频率倒谱系数支持向量机
基于SVM模型的自然环境声音的分类被引量:5
2010年
提出了一种基于支持向量机(SVM)模型对自然环境声音进行分类的方法。首先,提取Mel频率倒谱系数(MFCCs)来分析声音信号;其次,对自然环境的声音基于MFCC特征集建立SVM模型;最后,使用交叉验证的测试方法得到基于SVM算法的分类结果。使用SVM模型对50类自然环境中的声音进行分类的正确率可达99.5704%,分类效果明显优于K最近邻(KNN)和二分嵌套整合(END)这两种算法。
余清清李应李勇
关键词:MEL频率倒谱系数支持向量机
基于高斯混合模型的自然环境声音的识别被引量:3
2011年
提出了一种基于高斯混合模型(GMM)的自然环境声音的识别方法。提取Mel频率倒谱系数(MFCCs)来分析声音信号;对于每种声音使用期望最大化算法基于MFCC特征集建立高斯混合模型;使用最小错误率判决规则和投票裁决的方法进行识别。使用GMM对36种自然环境的声音进行识别的正确率可达95.83%,且识别效果优于K最近邻(KNN)。
余清清李应李勇
关键词:MEL频率倒谱系数高斯混合模型
共1页<1>
聚类工具0