基于改进多样性密度的性别识别

• 作者: 张世形 顾明亮 鲍薇
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 多示例学习 性别识别 期望最大化多样性密度 示例近邻 k近邻
• 年，卷（期）: 2015,（7）
• 所属期刊栏目: 数据库、数据挖掘、机器学习
• 页码范围: 149-153
• 页数: 5页
• 分类号: TP391
• 字数: 3969字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1304-0345

摘要

为了避免大量计算来获取分类器阈值，提高性别识别的效率，提出了一种基于改进多样性密度的性别识别方法。该方法将男、女性训练语音包进行双类别多次标记，通过期望最大多样性密度算法进行多示例学习，得到两个多样性密度点，组成双点语言模型，提出示例近邻分类算法，选取多个示例进行模式分类。该方法综合考虑了男、女性语音样本对未知语音包的影响，不必进行阈值设定，减小了野点示例的影响，最终提高了系统的识别效率。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	顾明亮	江苏师范大学物理与电子工程学院	19	36	4.0	5.0
5	张世形	江苏师范大学物理与电子工程学院	5	15	3.0	3.0
6	鲍薇	江苏师范大学语言科学学院	2	1	1.0	1.0