将网上的一些DTW代码进行了整合。
将其中的端点检测程序修改了一下。
使其更加的能抵抗环境噪声。
本程序能循环检测说话人的语音。
将其中的端点检测程序修改了一下。
使其更加的能抵抗环境噪声。
本程序能循环检测说话人的语音。
2025/12/1 0:12:22
2.17MB
1
说话人识别的基于MATLABGUI的界面制作，程序已经经过验证可以实现，里面包含了语音识别的文件库，也可以自己建立文件库进行语音识别，主要用了DTW和VQ的说话人识别。
2025/11/14 5:58:22
1.99MB
1
SaaS_AppAnalytics_Android_SDK_V4.0.58.jarTalkingData移动大数据服务平台;提供全面的产品统计分析服务、权威的移动行业数据解析,帮助你用数据说话。
2025/7/1 22:28:40
616KB
1
BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219
2025/5/8 18:45:30
10.75MB
1
说话人确认属于说话人识别(Speakerrecognition)中的一个子任务。
根据任务目标不同,说话人识别可以分为说话人确认(SpeakerVerification)和说话人辨认(SpeakerIdentification)两大类。
说话人确认是判断某段语音是否为指定的说话人所说(YesorNo),是一对一的判别问题;而说话人确认则是对于众多候选说话人集合,给定一段语音,确定该段语音是候选人集合中的哪一个人所说,是多对一问题。
对于说话人辨认来说,随着候选说话人集合不断扩大,任务复杂度增大,识别的性能会下降,而说话人确认技术则只需在给定阈值下判断Yes或者No,其性能并不受人数影响。
根据任务目标不同,说话人识别可以分为说话人确认(SpeakerVerification)和说话人辨认(SpeakerIdentification)两大类。
说话人确认是判断某段语音是否为指定的说话人所说(YesorNo),是一对一的判别问题;而说话人确认则是对于众多候选说话人集合,给定一段语音,确定该段语音是候选人集合中的哪一个人所说,是多对一问题。
对于说话人辨认来说,随着候选说话人集合不断扩大,任务复杂度增大,识别的性能会下降,而说话人确认技术则只需在给定阈值下判断Yes或者No,其性能并不受人数影响。
2025/5/4 11:25:14
220KB
1
本文基于传统的LPC倒谱特征和KC复杂性特征建立了一个说话人确认系统，采用了YOHOspeakerverifiea:ion数据库，Enroll阶段:采用238说话人4个session每个Sessi。
n有10个语音样本数据，Verify阶段:采用138说话人10个Session每个session有4个语音样本数据，训练模板和测试该说话人确认系统，取得了较好的说话人确认效果。
n有10个语音样本数据，Verify阶段:采用138说话人10个Session每个session有4个语音样本数据，训练模板和测试该说话人确认系统，取得了较好的说话人确认效果。
2025/5/3 18:07:09
3.12MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB