公开(公告)号：CN107908807A

公开(公告)日：2018-04-13

申请号：CN201710599154.0

申请日：2017-07-21

Applicant: 哈尔滨工程大学

Inventor： 王红滨 ,  侯莎 ,  宋奎勇 ,  何鸣 ,  顾镇北 ,  张海彬 ,  曾庆宇 ,  童鹏鹏 ,  苏畅 ,  朱洪瑞

IPC: G06F17/50 ,  G06F17/30 ,  G06F17/16 ,  G06F17/18 ,  G06Q10/06

Abstract: 本发明涉及一种基于贝叶斯理论的小子样可靠性评定方法，包括以下步骤：(1)系统初始化，输入验前信息；(2)对验前信息进行分类；(3)对相似系统信息的现有折算方法进行了分析，采用D-S证据理论和基于F-HS算法并进行分别分析；(4)使用混合验前分布模型；(5)确定现场试验信息的贝叶斯可靠性模型；(6)通过贝叶斯方法将现场试验信息与验前信息进行整合，得到有效的分布模型；(7)采用Gibbs采样算法获取验后分布函数的样本值；(8)对可靠性参数的进行评定估计，得到可靠性参数的估计值。因此本发明提出的一种基于贝叶斯理论的小子样可靠性评定方法，在验前信息折算的效果和小子样可靠性评定准确率上均表现出了其优越性。

公开(公告)号：CN107908807B

公开(公告)日：2021-01-05

申请号：CN201710599154.0

申请日：2017-07-21

Applicant: 哈尔滨工程大学

Inventor： 王红滨 ,  侯莎 ,  宋奎勇 ,  何鸣 ,  顾镇北 ,  张海彬 ,  曾庆宇 ,  童鹏鹏 ,  苏畅 ,  朱洪瑞

IPC: G06F30/20 ,  G06K9/62 ,  G06F17/16 ,  G06F17/18 ,  G06Q10/06

Abstract: 本发明涉及一种基于贝叶斯理论的小子样可靠性评定方法，包括以下步骤：(1)系统初始化，输入验前信息；(2)对验前信息进行分类；(3)对相似系统信息的现有折算方法进行了分析，采用D‑S证据理论和基于F‑HS算法并进行分别分析；(4)使用混合验前分布模型；(5)确定现场试验信息的贝叶斯可靠性模型；(6)通过贝叶斯方法将现场试验信息与验前信息进行整合，得到有效的分布模型；(7)采用Gibbs采样算法获取验后分布函数的样本值；(8)对可靠性参数的进行评定估计，得到可靠性参数的估计值。因此本发明提出的一种基于贝叶斯理论的小子样可靠性评定方法，在验前信息折算的效果和小子样可靠性评定准确率上均表现出了其优越性。

公开(公告)号：CN107154258A

公开(公告)日：2017-09-12

申请号：CN201710229138.2

申请日：2017-04-10

Applicant: 哈尔滨工程大学

Inventor： 王念滨 ,  何鸣 ,  宋奎勇 ,  周连科 ,  王红滨 ,  孙文 ,  王瑛琦 ,  尹新亮 ,  顾镇北 ,  曾庆宇

IPC: G10L15/02 ,  G10L15/06 ,  G10L17/02 ,  G10L17/04 ,  G10L19/032 ,  G10L25/30

CPC classification number: G10L15/02 ,  G10L15/063 ,  G10L17/02 ,  G10L17/04 ,  G10L19/032 ,  G10L25/30

Abstract: 本发明提供的是一种基于负相关增量学习的声纹识别方法。一、对输入的语音信号进行预处理和特征提取；二、初始化网络集成，如果之前已存在网络集成，则复制当前所有网络；三、对网络集成进行训练；四、对网络集成中的每个网络进行结构调整；五、对当前网络进行筛选，选出其中最优的一部分网络；六、将当前得到的网络进行应用，如果有新数据到来，则从步骤一开始循环执行。本发明是以增量学习的方法对声纹识别进行研究，提高其在数据增量到来场景下的效率和识别准确率；基于负相关学习的增量学习算法能有效地解决增量问题。本发明分别从模型训练和模型选择两个方面进行改进，提出了一种新的算法以解决上述的问题，然后将其应用到增量学习中。