Pandora91-CSDN博客

转载 C/C++分别读取文件，以空格为分隔符

C语言：#include #include #include string.h>int main(int argc, char* argv[]){ int count = 0; FILE* fp; char str[100]; fp = fopen("test.txt", "r"); while (fscanf(fp, "%s", s

2017-10-31 17:25:06 20750

自适应的作用是，补偿实际数据与已经训练的三音素模型中声学条件不匹配的问题，包括说话人特性（说话方式、口音等）及环境特性（如录音设备、房间混响等）。在GMM-HMM模型中，自适应方法有特征空间变换和模型空间变换。Kaldi中主要采用的是特征空间变换方法： LDA、MLLT和fMLLR，其本质都是在训练过程中估计变换矩阵，然后构造变换后的特征，再迭代训练新的声学模型参数。LDA+MLLT针对环境特性，

2017-09-05 11:14:51 1398

原创 Kaldi脚本分析（3）——单音素建模

1.1单音素模型脚本流程单音素建模脚本（steps/train_mono.sh）：#monophonesteps/train_mono.sh--boost-silence 1.25 --nj$n --cmd "$train_cmd" data/mfcc/train data/lang exp/mono \ || exit 1;输出在exp/mono中，下面按脚本tr

2017-09-05 11:06:11 3546

原创 Kaldi脚本分析（2）——特征提取

1特征提取1.1特征提取概述输入采样率为16kHz的音频计算一个音频文件中的总帧数（通常帧长25ms，帧移10ms）提取数据，可选做dithering（加一点噪声避免出现log0）预加重(如s’(t)= s(t) -0.97 s(t-1))和去除直流偏移乘上窗函数，如Hamming窗离散傅里叶变换FFT，并在每个频点（frequencybin）计算功率谱能量计算每个梅尔滤波器

2017-09-05 10:55:08 4336

原创 Kaldi脚本分析（1）——数据准备

1 数据准备数据准备阶段的输出包含两个部分：一部分与“数据”相关，保存在data/train、data/dev、data/test之类的目录下，“数据”部分与特定的录音数据有关，包括训练测试集划分、音频分段、文本标注、发音标注、说话人信息等；另一部分与“语言”相关，保存在data/local、data/dict、data/lang、data/graph目录下，“语言”部分与当前使用的语言本身相

2017-09-05 10:52:43 6425 1

原创 Kaldi语音识别工具包简介及安装说明

1 Kaldi简介Kaldi是一个开源的语音识别工具，整合了HTK的基本功能，同时也加入了深度神经网络的分类器(DNN)。可实现与文本无关的LVCSR系统，基于FST的训练与解码，支持多种标准的机器学习训练模型。Kaldi相关文档可参考官网：http://www.kaldi-asr.org/Kaldi内核采用c++语言编写，易于修改和扩展。有如下重要特点：Ø 有限状态

2017-09-05 10:33:42 6973 1

原创 Kaldi脚本分析（6）——解码图构建

静态解码图构建的过程，就是将数据准备和预编译阶段得到的词典FST、语言模型FST、声学建模阶段得到的HMM拓扑FST以及可能的上下文关系FST，通过如下的公式进行组合优化处理，得到最终的HCLG图。Kaldi中对FST的很多操作与参考文献[1]中稍有不同，尤其是对消歧符号和权重推移等的处理上。

2017-08-25 11:21:00 6331 1

转载 C++对象模型

C++对象模型何为C++对象模型？C++对象模型可以概括为以下2部分：1. 语言中直接支持面向对象程序设计的部分2. 对于各种支持的底层实现机制语言中直接支持面向对象程序设计的部分，如构造函数、析构函数、虚函数、继承（单继承、多继承、虚继承）、多态等等，这也是组里其他同学之前分享过的内容。第一部分这里我简单过一下，重点在底层实现机

2017-04-19 10:22:37 299

转载 Ubuntu 14.04下安装eclipse搭建C++开发环境

http://www.cnblogs.com/CZM-/p/5942435.html安装过程分为两部分：1.JAVA开发环境，即JDK的安装；2.eclipse的安装；一.安装包下载1.JDK官网下载地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

2017-04-09 23:02:07 290

转载最大似然估计

原文链接：https://flystarhe.github.io/2016/07/10/maximum-likelihood/

2017-03-31 10:40:21 445

转载 Linux Bash Shell入门教程

原始链接 http://www.jcwcn.com/article-31939-1.htmlBASH 的基本语法最简单的例子 —— Hello World! 关于输入、输出和错误输出 BASH 中对变量的规定（与 C 语言的异同） BASH 中的基本流程控制语法函数的使用 2.1 最简单的例子 —— Hello Wor

2017-01-06 14:58:28 252

翻译使用反向传播算法训练多层神经网络（图示）

原文：Principles of training multi-layer neural network using backpropagation链接：http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html翻译内容：本文描述了使用反向传播算法训练多层神经网络的过程。为了更直观的说明该训练过程，使用如下图所示

2016-12-28 09:18:28 3498

原创 64位win7系统下U盘安装Ubuntu并设置引导成为双系统

参考：http://jingyan.baidu.com/article/76a7e409bea83efc3b6e1507.html1.安装前需要下载的软件：（1）ubuntu14.04镜像文件官网下载比较慢，可以到下面的网址下载。（32位系统选择ubuntu-14.04.4-server-i386.iso，64位系统选择ubuntu-14.04.4-deskto

2016-12-26 14:04:35 493

转载神经网络基础

1. 神经元模型2. 感知机和神经网络3. 误差逆传播算法4. 常见的神经网络模型5. 深度学习6. 参考内容　　目前，深度学习（Deep Learning，简称DL）在算法领域可谓是大红大紫，现在不只是互联网、人工智能，生活中的各大领域都能反映出深度学习引领的巨大变革。要学习深度学习，那么首先要熟悉神经网络（Neural Networks，简称NN）的

2016-12-23 09:27:45 791

转载深度学习概述：从感知机到深度网络

原文链接：http://www.cnblogs.com/xiaowanyer/p/3701944.html（注：本文译自一篇博客，作者行文较随意，我尽量按原意翻译，但作者所介绍的知识还是非常好的，包括例子的选择、理论的介绍都很到位，由浅入深，源文地址）　　近些年来，人工智能领域又活跃起来，除了传统了学术圈外，Google、Microsoft、facebook等工业界优秀企业也纷纷成

2016-12-22 16:53:25 476

原创博客开通

最近因为机器学习和语音识别的入门，看了很多大牛的博客讲的非常好，对我的帮助很大，内心感激的同时也颇有感触，也想自己试着写写。从学校开始就一直喜欢写笔记，工作了也没丢掉这个习惯，总是想花时间把自己觉得有用的东西整理下来，有助于自己理解和消化，也能比较系统的看到自己的进步。但是纸质笔记的坏处在于，不能及时更新，且翻阅不方便。把博客当成学习和交流的地方，希望能坚持记录，督促自己解决问题之后勤

2016-12-08 21:48:58 281

baidu_36137891的博客