|
|||
ССЫЛКИ ПО ТЕМЕ ВЫПУСКОНОЙ РАБОТЫ Материалы Магистров ДонНТУ 1.  http://masters.donntu.ru/2008/kita/kravchenko/diss/index.htmМетоды и алгоритмы СКС аутентификации пользователей ЛВС по тембру голоса Данная работа посвящена проблеме обеспечения безопастности внутрисетевых информационных ресурсов путем ограничения доступа к ним по биометрической характеристике: тембру голоса Признаки для аутентификации по голосу и методы их выделения 2.  http://dsp-book.narod.ru/books.htmlЛитература по цифровой обработке сигналов Подборка литературы по цифровой обработке сигналов 3.  http://www.cognitive.ru/innovation/sbornic/rozanov.doc Методы выделения периодов основного тона в речевом сигнале Описание алгоритмов и методов выделения основного тона в речевом сигнале 4.  http://www.nsu.ru/matlab/MatLab_RU/signalprocess/book1/index.asp.htm Консультационный центр MATLAB компании Softline. Раздел «Обработка сигналов и изображений\Signal Processing Toolbox» Список функций Signal Processing Toolbox 5.  http://www.auditech.ru/article/cntrid/click.php?action=download&id=21 Верификация и идентификация говорящего,
С-Петербургский государственный университет, 2007 Описывается процесс идентификации и верификации дикторов, текстозависимые и текстонезависимые системы, а также индивидуальные особенности речи голоса 6.  http://www.auditech.ru/article/cntrid/click.php?action=download&id=21 Методы оценивания частоты основного тона Методы определения основного тона можно разделить на следующие группы: амплитудная селекция, корреляционные методы, частотная селекция. В данной работе рассматриваются некоторые алгоритмы по каждой из указанных групп. 7.  http://wiki.oszone.net/index.php/Биометрия._Голос Биометрия. Голос. На сегодняшний день существует два подхода к идентификации человека по голосу, построенные на учёте структуры речевого сигнала. Индивидуальные различия распределения мощности сигнала по спектру положены в основу первой категории систем биометрической идентификации по голосу. Они строятся на базе гребёнки узкополосных фильтров, выделяющих из голоса колебания разных частот. Второй подход - Использование аппарата линейного предсказания. 8.  http://m.habrahabr.ru/post/64681/ Голосовой тракт, слуховой тракт В данной статье рассматривается структура голосового и слухового тракта, процесс образования звуков. Дается определение вокализированных и невокализированных звуков 9.  http://www.nbuv.gov.ua/portal/Natural/VDU/a/2008_2/Control%20systems/9_Shariy.pdf О проблеме параметризации речевого сигнала в современных системах распознавания речи, Вісник Донецького національного університету, Сер. А: Природничі науки, № 2, 2008 Рассматривается архитектура современных систем распознавания речи. Описываются различные алгоритмы параметризации речевого сигнала. 10.  http://window.edu.ru/window_catalog/files/r59082/bis-10.pdf Речевые командные системы Рассматривается внутреннее устройство речевых командных систем. Дается подробное описание преобразования звука в речевую форму. Приводятся алгоритмы извлечения акустических параметров. 11.  http://www.keldysh.ru/papers/2001/prep87/prep2001_87.html Нейросетевой анализ и сопоставление частотно-временных векторов на основе краткосрочного спектрального представления и адаптивного преобразования Эрмита В данной работе рассматривается метод распознавания речи/дикторов на основе представления речевой информации в виде потока двухмерных частотно-временных векторов. Классификация векторов осуществляется нейронной сетью, на вход к которой поступают низкочастотные двумерные вейвлет-преобразования участков спектрограмм. Исходными представлениями звука являются сонограммы краткосрочного преобразования Фурье и адаптивного преобразования Эрмита. Проведено сравнение этих представлений в задачах диктор-независимого распознавания речи и контекстно-независимого распознавания диктора. 12.  http://soft.mail.ru/journal/pdfversions/20714.pdf MATLAB и преобразование Фурье В статье дается подробное описание дискретного и быстрого преобразования Фурье 13.  http://revolution.allbest.ru/programming/d00062927.html Разработка программного канального вокодера Описывается устройство вокодера. Предлагается интересная информация о банке фильтров 14.  http://www.iai.dn.ua/public/JournalAI_2005_3/Razdel7/02_Alekseev_Fedorov.pdf Количественный анализ систем признаков и методов идентификации, Штучний інтелект, Институт проблем искусственного интеллекта, г. Донецк, № 3, 2005 Для создания системы идентификации диктора был проведен количественный анализ системы признаков, основанной на линейном предсказании, и системы признаков, основанной на нормированном количестве импульсов равной длины, которые используются в методе, базирующемся на мере различимости Атала, и алгоритме DTW. 15.  http://matlab.exponenta.ru/signalprocess/book1/16/lpc.php Расчет коэффициентов линейного предсказания автокорреляционным методом Дается подробное описание метода расчета коэффициентов предсказания 16.  http://www.nsu.ru/matlab/MatLab_RU/ml/book2/chapter8/corrcoef.asp.htm «Справочник по MATLAB» Анализ и обработка данных Приведен алгоритм определения коэффициентов корреляции 17.  http://www.nbuv.gov.ua/portal/natural/mms/2008_1/01_2008_Krivodubskiy.pdf Моделирование особенностей речи диктора, «Математичні машини і системи», №1, 2008 Для создания системы верификации диктора в статье была предложена методика верификации на основе шипящих звуков, которая использует авторские методы, осуществляющие обобщенную классификацию звуков посредством дискретного и непрерывного вейвлет-преобразования. Для шипящих звуков, выделенных этими методами, проведен количественный анализ систем признаков, основанных на линейном предсказании, нормированном количестве импульсов равной длины и мел- частотных кепстральных коэффициентах (MFCC). Полученные признаки используются в методе верификации, основанном на алгоритме DTW. 18.  http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/doc/voicebox/melcepst.html Мел-частотные кепстральные коэффициенты Функции для вычисления мел-частотных кепстральных коэффициентах (MFCC) в среде MATLAB 19.  http://www.hydromech.kiev.ua/rus/AV-HTML/AV-007/3/PDF/AV-07-3(55-64).PDF Новый подход к вычислению линейных спектральных частот речевых сигналов, основанный на свойстве межфреймовой упорядоченности Рассмотрена актуальная задача поиска линейных спектральных частот, являющихся альтернативной формой представления полюсной модели голосового тракта. 20.  http://dsp-book.narod.ru/491.pdf Signal Analysis: Wavelets, Filter Banks, Time-Frequency Transforms and
Applications Рассмотрена структура и вычисление банков фильтров 21.  http://logic.pdmi.ras.ru/~sergey/teaching/asr/notes-06-features.pdf Признаки, кепстральные коэффициенты, MFCC Рассмотрен процесс выделения различных признаков 22.  http://www.studfiles.ru/dir/cat32/subj116/file1579/view2470.html Вейвлет-преобразование в задачах цифровой обработки сигналов Содержит основные теоретические сведения о новых методах цифровой обработки сигналов, основанных на использовании wavelet-преобразования. Описываются непрерывное, дискретное wavelet-преобразование. а также разложение по wavelet-пакетам. Рассмотрены применение wavelet-преобразования для анализа нестационарных сигналов, сжатия и шумоочистки сигналов. Приведены сведения об использовании средств пакета программ MATLAB для обработки сигналов с использованием wavelet-преобразования. 23.  http://cnx.org/content/m11716/latest/ Examples and Code На данном сайте предлагаются примеры и программы алгоритма расчёта длительности и высоты основного тона Классификаторы и кластеризаторы 24.  http://www.tspu.tula.ru/ivt/old_site/lcopy/Matlab_RU/fuzzylogic/book1/12.asp.htmВведение в теорию нечетких множеств и нечеткую логику Рассматривается четкая и нечеткая кластеризация. Базовый алгоритм нечетких c-средних 25.  http://www.statsoft.ru/HOME/TEXTBOOK/modules/stneunet.html Нейронные сети В статье приводится описание, что такое нейронные сети. Дается базовая искусственная модель. Применение нейронных сетей. Описываются некоторые нейронные сети. 26.  http://generation6.narod.ru/glossary_r1.htm Сеть радиальных базисных функций (RBF-сеть) Определение и структура сети радиальных базисных функций. 27.  http://generation6.narod.ru/glossary_v1.htm Вероятностные нейронные сети (PNN-сети) Определение и структура вероятностных нейронных сетей. 28.  http://www.statsoft.ru/home/portal/applications/neuralnetworksadvisor/adv-new/MultilayerPerceptrons.htm Многослойный персептрон (МП) Описание архитектуры сети многослойный персептрон. Рассказывается об обучении многослойного персептрона. Приводится алгоритм обратного распространения. 29.  http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.68.390&rep=rep1&type=pdf Neurofuzzy Modelling В статье приводится алгоритм кластеризация на основе Fuzzy c-means алгоритма 30.  http://matlab.exponenta.ru/statist/book2/14/kmeans.php Кластеризация объектов по внутригрупповым средним В статье приводится алгоритм кластеризация на основе k-means алгоритма 31.  http://www.philippovich.ru/Persons/Neyskiy/Article2_Neiskiy.pdf Классификация и сравнение методов кластеризации В статье приводится классификация методов кластерного анализа и описание алгоритмов кластеризации 32.  http://www.basegroup.ru/library/analysis/clusterization/som/ Самоорганизующиеся карты Кохонена – математический аппарат Рассматривается структура и алгоритм применения самоорганизующихся карт Кохонена 33.  http://www.victoria.lviv.ua/html/oio/html/theme7_rus.htm Классификация известных нейросетей по основным категориям применения Поскольку все искусственные нейронные сети базируются на концепции нейронов, соединений и передаточных функций, существует сходство между разными структурами или архитектурами нейронных сетей. Большинство отличий зависит разных правил обучения. В данной статье рассмотрены некоторые известные модели искусственных нейросетей. 34.  http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/PNN.htm Вероятностная нейронная сеть Описание и сфера применения вероятностной нейронной сети 35.  http://window.edu.ru/window_catalog/pdf2txt?p_id=29679&p_page=5 Сети GRNN Создание и исследование моделей радиальных ба- зисных сетей с оптимальным количеством нейронов в системе MATLAB. 36.  http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/index.html Neural Network Toolbox Описание вероятностной нейронной сети (PNN) Шумоочистка и сжатие речевых сигналов 37.  http://matlab.izmiran.ru/help/toolbox/wavelet/wden.htmlФункция wden Описание и алгоритм работы функции удаления шума wden в среде MATLAB 38.  http://www.zlux.com.ua/publications/articles/article3.rtf Шумоочистка речевых сигналов – проблемы и решения Главной целью шумоочистки, применительно к задачам обеспечения безопасности, является доведение качества и разборчивости речевого сигнала до уровня, приемлемого для его последующего комфортного прослушивания и понимания, при сохранении идентификационно-значимых свойств и характеристик речи диктора, что позволило бы в предельно сжатые сроки установить смысловое или дословное содержание речевой информации, источник речевой информации и его индивидуальные характеристики, а также обстоятельства получения информации. Речевые технологии 39.  http://frolov-lib.ru/books/hi/ch05.htmlСинтез и распознавание речи. Современные решения Эта книга посвящена современным технологиям и средствам распознавания и синтеза речи, приобретающим в последнее время все большую популярность. Авторы рассказывают о том, как устроены органы речи и слуха человека, а также рассматривают детали образования речи, такие как лингвистические уровни и фонетические процессы. Рассмотрены способы и средства, предназначенные для ввода и вывода звуковой информации, а также для ее предварительной обработки. Читателю дается возможность провести собственные исследования речи при помощи доступных средств. Это осциллографические исследования и спектральный анализ. Приводится информация по нейронным сетям, методам распознавания и синтеза речи. В книге также есть обзор современных программ и систем, в которых применяются речевые технологии. 40.  http://offline.computerra.ru/1997/226/937/ Речевые технологии – проблемы и перспективы Дается характеристика систем распознавания речи. Описываются проблемы и перспектива речевых технологий 41.  http://www.stel.ru/speech/ СТЭЛ Официальный сайт фирмы «СТЭЛ – Компьютерные Сиcтемы», которая разрабатывает системы автоматической обработки речи 42.  http://www.illidiy.orel.ru/Pub/publ3.htm Об использовании относительных просодических и спектральных характеристик в задаче криминалистической идентификации личности по звучащей речи Описанный в статье инструментальный анализ характеристик в задаче криминалистической идентификации личности диктора включает в себя выявление тех относительных параметров основного тона, которые выступают в качестве устойчивых идентификационных признаков, характеризующих источник возбуждения речевого сигнала; получение устойчивых критериев оценки акустического качества звуков речи индивидуума с помощью формантных соотношений; сравнительный анализ «веса» абсолютных и относительных просодических и формантных показателей, выступающих в качестве идентификационных признаков говорящего. 43.  http://www.dancom.ru/rus/AIA/Archive/RUI_SPIRIT_SPCHTECH_R.pdf Речевые технологии в биометрике:
верификация и идентификация диктора В статье приводится описание систем верификации и идентификации дикторов компании SPIRIT Corp 44.  http://www.chip-news.ru/archive/chipnews/200710/Article_12.pdf Состояние и перспективы голосовой биометрии В данной статье приведен сравнительный анализ различных биометрических систем, и выявлены перспективы развития голосовой биометрии 45.  http://www.dancom.ru/rus/AIA/Archive/RUII_SPIRIT_DOKLAD_R.pdf Системы верификации и идентификации диктора от SPIRIT Corp Данная статья посвящена описанию систем верификации и идентификации дикторов компании SPIRIT Corp 46.  http://oursecurity.ru/sredstva/36-kontrol-po-golosu.html Контроль по голосу Рассмотрены проблемы аутентификации по голосу важными вопросами с точки зрения безопасности 47.  http://speech-soft.ru/index.php?a=stat&stat=view&id_rds=1181017747&id_stat=1181199334 Идентификация пользователей вычислительных систем В статье рассмотрены проблемы идентификации личности по голосу, дается анализ алгоритмов и методов построения систем идентификации дикторов по голосу. 48.  http://www.biometrics.ru/document.asp?group_id=11&nItemID=1693&sSID= Идентификация по голосу: скрытые возможности Рассмотрены преимущества систем идентификации по голосу 49.  http://cnx.org/content/m14200/latest/ Key Problems in Speaker Identification Приведены ответы на часто задаваемые вопросы по идентификации дикторов 50.  http://ditelo.itc.it/people/falavi/IdVe.html Speaker identification and verification Приведены описания текстозависимых и текстонезависимых систем идентификации и верификации дикторов. Рассмотрены методы, которые используют данные системы. |
|||
ДонНТУ >>
Портал магистров ДонНТУ Автобиография| Реферат| Библиотека| Ссылки| Отчет о поиске| Индивидуальное задание |