简介:摘要:近几十年来,在业内专家学者的努力下语音识别技术取得显著进步,已经从实验室走向市场。在这个过程中,深度学习和神经网络的发展做出不少贡献,但神经网络依赖大量数据而且神经网络模型具有不确定性,当训练数据与目标数据分布存在差异时识别效果可能非常差。在一些领域我们对识别系统的精度要求非常高。我们已经明显感觉到,语音识别技术在工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域都可以发挥重要作用。探索使用HMM模型来识别孤立词在我们的生活中具有重大意义。隐马尔可夫模型是成熟的模型,在语音识别,机器视觉等多个领域有着广泛的应用。隐马尔可夫模型能够很好地为语音等序列数据建模,可以很好地描述序列数据之间的关系。隐马尔可夫模型与GMM模型的完美融合可以使HMM模型在语音识别中更好地对状态进行建模从而提高识别率。因为GMM模型的加入使得HMM的观测矩阵更真实地贴近观测概率。加入GMM的HMM模型经过5个人的数据的训练其识别精确度可以达到87%。在数据量得到扩充的前提下效果有望达到100%。
简介:能源效率(EE)可以通过重传和混合自动重复请求(HARQ)系统相结合,提高。然而,它是很难优化的发送功率的每个重传的准确的重传数量和未来的信道状态信息(沪深)时,不能得到。本文提出了一个简单的点对点无线通信的能量有效的HARQ方案。在该方案中,有条件的字错误率(WER)每个重传是固定发射功率相应调整。三个性能指标进行了分析,包括平均传输次数,吞吐量和EE。与传统同等功率的HARQ方案相比,该方案可显著提高EE和其他两个指标下的平均发射功率相同的约束或平均能耗。此外,研究发现,选择一个条件是它比最佳的一个稍小的是足够的实际实现。