简介:随着市场竞争的不断提升,结合当前本地传输网络的特点以及目标进行分析,对现有传输网进行优化,对更好地应用电力行业自身的本地传输网络,具有十分重要的意义。本地传输网络优化技术能够使传输网络结构清晰化,对于网络的利用率能够有最大化提升。不能仅有助于整体网络的扩容及升级,同时还能够促进网络的演进。在此基础上,还能够有效地确保各项业务的开通,对于新业务的发展也有着极大的促进作用。此外,对本地传输网络的优化,能够最大化的将其传输网资源潜力进行挖掘,通过与现有资源进行融合后,实现解决当前存在问题,让所建设的网络结构更加清晰,可以多元化地支持各项业务,确保运营管理的高效性,从而降低了网络建设与运营维护成本。
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%。