-
Patent Agency Ranking
公开(公告)号：CN108206024B
公开(公告)日：2021-06-25
申请号：CN201711474721.6
申请日：2017-12-29
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于变分高斯回归过程的语音数据处理方法，基于变分高斯回归过程模型进行语音数据处理，所述变分高斯回归过程模型在VFE近似基础上，对对数似然函数进行变换，使得求出的最终下限变大，求出活动点集的自由变分高斯分布，自由变分高斯分布为映射近似中所需要的选取点的后验分布，按映射近似的方法来对语音数据进行处理。本发明提高计算的效率，对于最后求出的下限最大值中的部分项作出近似，在尽量减小相似性的损失的同时，使得计算效率能够大大提升。
-
公开(公告)号：CN107808673B
公开(公告)日：2020-07-14
申请号：CN201711114782.1
申请日：2017-11-13
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种语音数据基于分簇聚类的分块高斯回归模型子集建模方法，语音数据按时间间隔分帧，对每一帧数据进行特征提取，每一帧提取出来的高维数据降到三维后，进行分块高斯回归模型建模；所述分块高斯回归模型为基于子集法的高斯回归过程模型，在训练数据集中，按照贪婪算法选取出若干代表原训练数据集的点构成子集，将携带冗余信息的数据点剔除掉，本发明根据具体的测试点来调整所选取的子集，并且通过分簇聚类后，选取的子集来自各个不同的簇，能够代表整个数据集，这样选取的子集既能保证是最接近测试点的一部分局部最优点，同时兼顾全局。
-
公开(公告)号：CN109583563A
公开(公告)日：2019-04-05
申请号：CN201811250635.1
申请日：2018-10-25
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于胶囊网络的变分期望最大化路由算法，把低级胶囊的pose矩阵视为GMM的数据点、高级胶囊的pose矩阵视为高斯分布，由VBEM路由算法将数据点聚类为一个个高斯分布并计算其分布参数，即在运行时将低级胶囊分组形成一个高级别的胶囊，然后根据高斯分布参数更新计算激活值a。本发明在胶囊网络中使用VBEM算法，与EM算法相比，这种方法几乎不需要额外的计算量，并且它解决了最大似然方法中的计算难题，基于变分推断对每个分解因子进行最优化来完成整体的最优化过程，既可以得到近似解，又可以避免当高斯分量“退化”到一个具体的数据点时产生的奇异性，也使得隐变量类别数k可以自动在算法中确定，并且在k较大的时候也避免了过拟合。
-
公开(公告)号：CN108206024A
公开(公告)日：2018-06-26
申请号：CN201711474721.6
申请日：2017-12-29
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于变分高斯回归过程的语音数据处理方法，基于变分高斯回归过程模型进行语音数据处理，所述变分高斯回归过程模型在VFE近似基础上，对对数似然函数进行变换，使得求出的最终下限变大，求出活动点集的自由变分高斯分布，自由变分高斯分布为映射近似中所需要的选取点的后验分布，按映射近似的方法来对语音数据进行处理。本发明提高计算的效率，对于最后求出的下限最大值中的部分项作出近似，在尽量减小相似性的损失的同时，使得计算效率能够大大提升。
-
公开(公告)号：CN107808673A
公开(公告)日：2018-03-16
申请号：CN201711114782.1
申请日：2017-11-13
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种语音数据基于分簇聚类的分块高斯回归模型子集建模方法，语音数据按时间间隔分帧，对每一帧数据进行特征提取，每一帧提取出来的高维数据降到三维后，进行分块高斯回归模型建模；所述分块高斯回归模型为基于子集法的高斯回归过程模型，在训练数据集中，按照贪婪算法选取出若干代表原训练数据集的点构成子集，将携带冗余信息的数据点剔除掉，本发明根据具体的测试点来调整所选取的子集，并且通过分簇聚类后，选取的子集来自各个不同的簇，能够代表整个数据集，这样选取的子集既能保证是最接近测试点的一部分局部最优点，同时兼顾全局。
-
-
-
-
Search Results
5
records
(took 0.028 seconds)
