2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩54頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、音頻場景識別是指通過分析音頻信號的特點識別出對應(yīng)的場景信息。目前音頻場景識別系統(tǒng)的主要問題在于測試樣本分布與訓練集樣本分布之間存在差異,在此情況下使用傳統(tǒng)的學習方法不能得到滿意的識別率。為了解決這一問題,本文引入遷移學習的理論和方法。
  本文采用高斯直方圖作為場景特征,通過遷移學習方法縮小訓練集和測試集樣本分布之間的差異,然后使用支持向量機(Support Vector Machine,SVM)進行識別。本文研究了當前主要的兩類

2、遷移方法:樣本遷移和特征遷移。在樣本遷移方面研究了樣本選擇偏差,改進了一種與樣本選擇偏差類型無關(guān)的去除偏差的方法:基于樣本選擇偏差的樣本平衡化(Re-Balancing by Sample Selection Bias,RBSSB),并結(jié)合核密度估計的思想,通過重新選擇訓練樣本來去除樣本選擇偏差,從而對齊訓練樣本和測試樣本之間的邊緣概率分布。在特征遷移方面研究了遷移成分分析(Transfer Component Analysis,TCA

3、)并對其進行了改進,在TCA的基礎(chǔ)上加入最大化訓練集的類間散度和最小化訓練集的類內(nèi)散度的優(yōu)化項,提出了判別式遷移成分分析(Fisher Discriminant Transfer Component Analysis,F(xiàn)DTCA),使得遷移后不同類別的場景特征具有更好的區(qū)分性。并且提出了線性TCA,大大減少了特征遷移的計算量。
  實驗結(jié)果表明:與不進行遷移相比,RBSSB和TCA均能提高音頻場景識別的準確率。最后根據(jù)兩類遷移的特

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論