文本无关的说话人确认系统使用的测试语音时长越短效果越差。针对这种情况,提出增强声学特征的方法。使用基于seq2seq(Sequence to Sequence)的生成模型将短时声学特征生成更长的特征,其中,编码器用于提取深层特征,解码器输出声学特征,...
详细信息
文本无关的说话人确认系统使用的测试语音时长越短效果越差。针对这种情况,提出增强声学特征的方法。使用基于seq2seq(Sequence to Sequence)的生成模型将短时声学特征生成更长的特征,其中,编码器用于提取深层特征,解码器输出声学特征,使用注意力机制来获取序列之间的关系。在训练时加入余弦距离损失来提升生成模型的泛化性能,将训练好的说话人确认模型作为生成模型训练架构的组件。实验结果表明,在1~3 s语音时长下,采用该模型后等错误率平均降低7.78%。
为了应对海量分布式资源分层分布接入柔性配电网给无功优化引入的不确定性,提出了基于概率场景驱动的柔性配电网分布式无功优化方法。首先,以最小化系统损耗为目标建立了柔性配电网无功优化模型,其次,综合考虑1-范数和∞-范数的置信约束,构建基于概率场景模糊集的柔性配电网分布鲁棒无功优化模型。在此基础上,以分布式优化模型为外部框架,采用一致性加速梯度交替方向乘子法(alternating direction method of multipliers,ADMM)进行全局协调与更新迭代求解,以各子区域分布鲁棒优化模型为内部框架,采用列与约束生成(column and constraint generation,CCG)算法求解。基于改进的IEEE-33节点系统的算例仿真结果表明,所提出的柔性配电网分布式无功优化方法具有较好的收敛性,兼顾了经济性和鲁棒性的平衡。
暂无评论