qq_41828110的博客

当前机器学习的技术已经运用到很多工程项目中，但大部分机器学习的算法只有在样本数量充足且 运用在单一场景中的时候，才能获得良好的结果。其中，经典的支持向量回归机是一种具有良好泛化能力的 回归算法。但若当前场景的样本数量较少时，则得到的回归模型泛化能力较差。针对此问题，本文以加权ε 支持向量回归机为基础，提出了小样本数据的迁移学习支持向量回归机算法。本文算法以加权ε支持向量回 归机为Bagging 算法的基学习器，使用与目标任务相关联的源域数据，通过自助采样生成多个子回归模型， 采用简单平均法合成一个总回归模型。在UCI 数据集和现实数据集——玉米棒与花生粒储藏环节损失数据集 上的实验结果表明本文方法较标准ε-SVR 算法与改进的RMTL 算法在小数据样本上有更好的泛化能力。

针对汉、维翻译中维语形态变化复杂、汉维语句法结构不同等造成的解码局限性问题，将解码中语言模型的评分调整为重点考虑短语衔接处的单词串的得分，引入词向量进行短语相似度计算，利用词向量将单词间隐含的语义关系加入到解码评分；调整解码的调序距离限制方法，设计一个限制解码中短语扩展的方法，使解码的调序更符合汉维翻译的实际；在此基础上，按优化的方案实现解码器。实验结果表明，优化能使译文 ＢＬＥＵ 值在基线方案基础上提升３．４６，最终方案解码器的译文 ＢＬＥＵ 值为２９．１８。

近年来，基于神经网络的机器翻译取得了快速发展，然而由于它需要大规模的平行语料库，所以对于资源稀缺的小语种的翻译往往显得效果不佳．在分析编码－解码框架和注意力机制的基础上，基于对偶学习的思想，提出了一种面向小语种翻译的半监督神经网络模型．该模型利用较大的单语语料库与少量平行语料库来实现小语种翻译．实验结果表明，当平行语料资源不足以训练一个普通神经网络模型时，使用半监督网络模型能够取得较好的结果，但所采用的半监督学习模型对单语语料库的数量要求非常高，要达到一定数量级才能达到良好效果．

经典的LSTM分类模型，一种是利用LSTM最后时刻的输出作为高一级的表示，而另一种是将所有时刻的LSTM输出求平均作为高一级的表示．这两种表示都存在一定的缺陷，第一种缺失了前面的输出信息，另一种没有体现每个时刻输出信息的不同重要程度．为了解决此问题，引入 Attention 机制，对 LSTM 模型进行改进，设计了 LSTM-Attention 模型．实验结果表明: LSTM 分类模型比传统的机器学习方法分类效果更好，而引入 Attention 机制后的 LSTM 模型相比于经典的文本分类模型，分类效果也有了一定程度的提升．

随着机器学习的快速发展，许多研究者使用神经网络来解决语音识别领域中的各类问题。然而由于训练 数据有限等原因，常规的神经网络分类器普遍存在泛化误差等问题。为了解决此问题，迁移学习中的多任务学 习被引入到研究中。本文提出了一种采用多任务学习和循环神经网络的语音情感识别算法( MTL-ＲNN) ，将说话 人情感识别作为主任务，性别识别和身份识别作为辅助任务，三个任务在神经网络中并行训练。算法模型通过 ＲNN 共享层共享网络参数、学习共享特征，通过属性依赖层学习独有特征，以提升模型的分类性能。

将RNN编码器-解码器作为传统的基于短语的PSMT系统的一部分，在传统统计机器翻译基础上，集成RNN解码器-编码器，兼容 PSMT创建了新联合模型（RNN+PSMT）。新的模型不仅在维-汉、汉-英机器翻译的应用中取得了成效，而且能够捕捉到语言的规律，使得机器翻译中的一个重要评价指标的 BLEU 值得到了显著提高。实验结果表明，系统的整体性能超过了传统统计机器翻译。

针对单通道语音增强技术对非平稳噪声的跟踪不准确、噪声抑制效果较差的问题，本文提出一种基于在线能量调整的语音增强方法 ．该方法以归一化临界带能量为特征，采用高斯混合模型对背景噪声进行分类，利用对应类型噪声的自回归隐马尔可夫模型和纯净语音的 ，在最小均方误差准则下估计语音和噪声的功率谱 ．考虑到非平稳环境中训练集和测试集的差异性，需在线调整语音模型和噪声模型中的能量，语音模型的能量调整采用迭代的期望最大化算法

本文综述 了近年来大词汇量连续语音识别技术进步和发展 , 描述 了大词汇量连续汉语语音识别系统 的设计方法 对语音识别系统 中的一些关键技术和原理进行 了详细地分析和讨论 , 并对语音识别技术进一步发展 中存在的问题和近年语音识别研究发展动 向进行 了讨论

为了提高基于分帧特征变换方法的稳定性， 提出了一种基于分段的区分性特征变换方法． 该方法将特征变换当成高维信号的稀疏逼近问题，采用状态绑定的方法训练得到基于域划分的线性变换矩阵( Ｒegion Dependent Linear Transform，ＲDLT) 和基于最小音素错误准则均值补偿的特征( mean-offset feature Minimum Phone Error， m-fMPE) 变换矩阵，将两者的特征变换矩阵构成过完备的字典; 采用强制对齐的方式对语音信号进行分段， 以似然度最大化作 为目标函数，利用匹配追踪算法对目标函数迭代优化，自动地确定各语音信号段中的变换矩阵及其系数． 为保证特征 变换的稳定性，在选择变换矩阵过程中引入相关度测量，去除相关的特征基矢量． 实验结果表明， 相比于传统的 ＲDLT方法，当声学模型分别采用最大似然和区分性准则训练时，识别性能分别可以提高 1. 63% 和 2. 23% ． 该方法同时能应用于语音增强和模型区分性训练中

关于大数据的分析，采用深度学习模型进行相关阐述，具有一定参考价值