Believe in the Future的专栏

Connectionist Temporal Classification （CTC）算法解释https://www.jianshu.com/p/0cca89f64987语音中响度，音调与音色的影响因素https://blog.csdn.net/qq_37385726/article/details/89176142GMM模型与EM算法https://blog.csdn.net...

经典语音论文：语音合成，语音识别 为主https://github.com/zzw922cn/awesome-speech-recognition-speech-synthesis-papers

https://blog.csdn.net/w_manhong/article/details/78977833线性预测分析（LinearPredictionCoefficients，LPC）感知线性预测系数（PerceptualLinearPredictive，PLP）Tandem特征和Bottleneck特征基于滤波器组的Fbank特征（Filterbank）线性预测...

信息熵，条件熵，相对熵，交叉熵的定义与意义：https://blog.csdn.net/u013569304/article/details/82595548数据压缩与信息熵：http://www.ruanyifeng.com/blog/2014/09/information-entropy.html...

包含图像语音数据集及项目总结：https://www.jianshu.com/p/d0baf4326ff2各种免费的数据集：https://www.cnblogs.com/genghenggao/p/9625450.html

基本语音知识：https://www.cnblogs.com/liaohuiqiang/p/9916352.html语音特征提取基本知识：https://www.cnblogs.com/liaohuiqiang/p/10159429.html动态时间规整DTW(Dynamic Time Warping)介绍：作用：求解两个不同的时间序列的相似度方法https://blog....

HMM 维特比算法(Viterbi Algorithm)详细解释参考:http://www.52nlp.cn/hmm-learn-best-practices-six-viterbi-algorithm-1http://www.52nlp.cn/hmm-learn-best-practices-six-viterbi-algorithm-2http://www.52nlp.cn/hmm-l...

决策树算法(ID3、 C4.5、 CART)决策树的定义决策树学习采用的是自顶向下的递归方法，其基本思想是以信息熵为度量构造一颗熵值下降最快的树，到叶子节点处，熵值为0。其具有可读性、分类速度快的优点，是一种有监督学习。决策树呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型；预测时，对新的数据，利用决策模型进行分类。...

HMM 前向算法(Forward Algorithm)详细解释参考:http://www.52nlp.cn/hmm-learn-best-practices-five-forward-algorithm-1http://www.52nlp.cn/hmm-learn-best-practices-five-forward-algorithm-2http://www.52nlp.cn/hmm...

Kmean算法聚类算法对于"监督学习"(supervised learning)，其训练样本是带有标记信息的，并且监督学习的目的是：对带有标记的数据集进行模型学习，从而便于对新的样本进行分类。而在“无监督学习”(unsupervised learning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。对于无监督学习，...

https://blog.csdn.net/lin_limin/article/details/81048411会对GMM和EM做详细介绍本文参考：http://www.ituring.com.cn/article/497545(GMM模型)https://blog.csdn.net/xmu_jupiter/article/details/50889023(GMM模型)http:...

线性预测线性预测(linear prediction)根据随机信号过去的p个已知抽样值序列为Sn-1，Sn-2，…Sn-p，预测现时样值Sn的估计值的方法。预测公式是一个线性方程，所以这种预测称为线性预测。声音的构成声音频率决定音调；声音振幅决定大小；声音谐波决定音色。之所以能分辨出不同乐器和不同人，只因为声音中谐波成份不同。音强声音的强度是一个客观的物理量，...

卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。卷积神经网络是受到生物思考方式启发的MLPs（多层感知器），它有着不同的类别层次，并且各层的工作方式和作用也不同。CNN网络结构如图所示，CNN网络工作时，会伴随着卷积并且不断转换着这些卷积。学...

1. 损失函数损失函数是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。经验风险：一个损失函数的函数结构风险：可简单理解为经验风险（一种损失函数的函数）+λ正则化项。模型的结构风险函数包括了经验风险项和正则项，通常可以表示...

（1）打开/etc/mysql/debian.cnf文件，在这个文件中有系统默认给我们分配的用户名和密码，通过这个密码就可以直接对mysql进行操作了。但是一般这个密码都比较怪，很长很长。（2）当进入mysql之后修改mysql的密码：这个方法比较好，具体的操作如下用命令：set password for 'root'@'localhost' = password('yourpass');

sklearn中的交叉验证（Cross-Validation）sklearn是利用python进行机器学习中一个非常全面和好用的第三方库，用过的都说好。今天主要记录一下sklearn中关于交叉验证的各种用法，主要是对sklearn官方文档 Cross-validation: evaluating estimator performance进行讲解，英文水平好的建议读官方文档，里

特征选择是特征工程中的重要问题（另一个重要的问题是特征提取），坊间常说：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程尤其是特征选择在机器学习中占有相当重要的地位。通常而言，特征选择是指选择获得相应模型和算法最好性能的特征集，工程上常用的方法有以下：1. 计算每一个特征与响应变量的相关性：工程上常用的手段有计算皮尔逊系数和互信息系数，皮尔逊系数只能衡量

MyBatis3.x和Spring3.x的整合2017/10/021.mybatis和spring整合的思路1.让spring管理SqlSessionFactory2.让spring管理mapper对象和dao使用spring和mybatis整合开发mapper代理及原始dao接口。自动开启事务，自动管理sqlsession3.让spring管理

MyBatis之查询缓存2017/09/30正如大多数持久层框架一样，MyBatis同样也提供了对查询数据的缓存支持。今后我们要学习的SpringMVC框架属于系统控制层，它也有它的缓存区域，对响应的jsp页面进行缓存；Spring属于系统业务层，它的缓存区域对业务数据进行缓存。而它们三者的缓存区域都存在于用户要访问数据库的中间，当用户向数据库中发送查询请求时，系统会先在它们三者的

MyBatis之使用resultMap实现高级映射2017/09/30对于数据库中对表的增删改查操作，我们知道增删改都涉及的是单表，而只有查询操作既可以设计到单表操作又可以涉及到多表操作，所以对于输入映射parameterType而言是没有所谓的高级映射的，也就是说高级映射只针对于输出映射(因为高级映射设计到多张表)。前五篇文章我们都只实现了单表中的字段与pojo的映射，而