Sep, 2024

语音信号增强的先进聚类技术：模糊C均值、K均值和核模糊C均值方法的评述与元分析

HTML
PDF
TL;DR本研究解决了现代通信技术中语音信号处理的关键挑战，即在嘈杂环境中清晰地分离和识别语音。通过对核模糊C均值方法（KFCM）的深入探讨，研究发现KFCM在处理非线性和非平稳噪声方面优于传统的K均值和模糊C均值方法，表明其在语音增强应用中的广泛适应性和潜在影响。此外，论文还指出当前方法中的不足，提倡发展动态聚类算法以改善语音识别质量。
发现论文，激发创造
  • 语音识别的核逼近方法

    本文研究在语音识别中应用大规模核方法和深度神经网络进行声学建模，并比较它们的性能。我们在四个数据集上进行了实验，使用随机傅里叶特征方法以扩展核方法的规模，在特征选择和监控基于帧的指标等方面提出了两种新技术，并演示了这些方法综合运用可以将核声学模型的性能提高到与深度神经网络相似的水平。

    Jan, 2017

  • 一种嵌入式分段K-means模型，用于语音的无监督分割与聚类

    介绍了一个基于嵌入式分段K均值模型的新方法，用于语音分割和聚类，该模型与贝叶斯模型相比能够在更高效的情况下实现类似的分割和聚类效果，可用于零资源语音处理。

    Mar, 2017

  • 带Nystrom近似的可扩展核K-means聚类：相对误差界限

    通过将线性k-均值聚类应用于使用称为等级限制的Nyström近似构造的{k/epsilon}(1+o(1))特征，本文分析了该范例应用于核k-均值聚类，并表明相对于不使用Nyström方法提供的保证，计算出的群集分配会满足相对于核k-means成本函数的1+epsilon逼近度。

    Jun, 2017

  • 使用非负矩阵分解的有监督和无监督语音增强

    本文提出了一种基于非负矩阵分解的贝叶斯监督算法，通过使用HMM和在线学习模型解决了模型训练时的匹配问题，并在实验中得出该方法比竞争方法表现更优的结论。

    Sep, 2017

  • 大规模数据聚类问题的加速稀疏核谱聚类

    改进版本的稀疏多维核谱聚类算法中，通过改良的方法提高了计算效率，并在合成数据和图像分割等实际问题上进行了计算实验，取得了理论和实际改进的结果。

    Oct, 2023

  • 鲁棒自动数据聚类：狄利克雷过程遇见中位数均值

    通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

    Nov, 2023

  • 基于平衡k均值的不均衡数据聚类

    平衡K-means（EKM）是一种新颖且简单的K-means类型算法，通过减少大簇中心聚集的趋势，在不平衡数据上显著改善聚类结果。该论文还介绍了HKM、FKM和EKM的统一视角，展示它们本质上是梯度下降算法，并与牛顿法有明确的关系。通过将高维数据映射到低维、适合EKM的空间，使用EKM进行深度聚类可在不平衡数据上将聚类准确性提高35%。

    Feb, 2024

  • 多核k均值聚类的核相关-不相似性

    通过综合使用核相关性和差异性，我们提出了一种新的方法来提取非线性信息和实现最优聚类，从而提高聚类的性能。

    Mar, 2024

  • 无聚类中心的模糊K均值聚类

    本文提出了一种新颖的模糊K-Means聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。

    Apr, 2024

  • 图嵌入的自适应模糊C均值

    提出了一种新的基于FCM的模糊聚类模型，能够自动学习适当的成员度超参数值，并处理具有非高斯聚类的数据，实验证明了该模型的有效性。

    May, 2024