这次主要做了：树莓派用GPIO控制灯泡，还有用linux虚拟机通过USB转TTL向树莓派串口写消息以及控制树莓派。 控制灯泡那个整体还算OK：有控制自身携带的ACT LED：，整体做下来没有问题，zero也没有关系可以做下去出结果，控制的是电源红灯旁边那个黄灯。其他的GPIO实验还要买LED灯、各种模块、面包板、杜邦线等装备。如果有装备就可以点亮装备上的灯。串口连接那个花了很大功夫才想通一个问题，
转载
2024-01-03 10:42:05
27阅读
注意！这个博客里给出的文件是 在matlab2012版本里使用的，而我学习时使用的时matlab2018b，因此发现了很多新版本不兼容的问题，但我没有给出修改后能直接在新版本中用的代码。另外，matlab要安装voicebox才可以正常进行实验！还有一件事，录音文件要修改好文件名和文件目录，不然会检测不到。 这个实验在没有同学和老师的指导和帮助下完成，一共花了大概两周多（也没
转载
2024-02-02 11:18:20
129阅读
孤立词识别系统采用卷积神经网络方法实进行训练（训练的是这10个，因此其余的不能检测）8、之前的16000采样率较高数据量较大，
原创
2022-08-18 17:52:06
137阅读
语言类型学分类范本1.分析语，孤立语（易和孤立语言混淆，建议少用），词根语2.综合语，屈折语（不称曲折语）3.黏着语（不称胶着语）4.抱合语（多式综合语）编插语 复综语多式综合语等等①越南语、苗语、华语是典型的分析语文法的词根语类型②拉丁语、梵语、俄语是典型的综合语文法的屈折语类型③蒙古语、韩语、日语是典型的综合语文法的黏着语类型④因纽特语(爱斯基摩)是典型的综合语文法的抱合语类型分析
在信息科技的快速发展中，语音识别技术扮演着越来越重要的角色。本文将会探讨如何基于 Python 实现隐马尔可夫模型（HMM）来完成孤立词识别。这个过程不仅会涵盖背景描述，还将详细介绍技术原理、架构解析、源码分析以及扩展讨论，最后会给出一个展望。
### 背景描述
随着机器学习和深度学习的不断发展，语音识别技术已经广泛应用于智能助手、语音控制等诸多领域。孤立词识别是一种基本的语音识别任务，指的是
在许多自然语言处理和语音识别应用中，孤立词的识别是一个重要的环节。我们在项目中经常会遇到这类需求，尤其是在实时语音识别系统中。结合动态时间规整（DTW, Dynamic Time Warping）算法，可以有效地解决孤立词识别的问题。但是在这个过程中，我们也遇到了不少挑战。
以下是我整理出来的解决“python dtw 孤立词”的一些经验和思考。希望通过这篇博文，能够帮助到同样面临类似技术挑战的
（1）采用动态规划（Dynamic Programming）的方法。这是一种运算量较大，但技术上较简单，正识率也较高的方法。其中的失真测度可以用欧氏距离(适于短时谱或倒谱参数)，也可以用对数似然比距离(适于LPC参数)．决策方法可用最近邻域准则． （2）采用矢量量化（Vector Quantizat
转载
2018-11-20 10:02:00
181阅读
2评论
著名的，人手一本的西瓜书(就是这本)的作者周志华老师,于2008年在第八届IEEE数据挖掘国际会议上提出孤立森林(Isolation Forest) 算法,先简单解释一下什么是孤立森林： 「假设我们用一个随机超平面来切割（split）数据空间（data space）, 切一次可以生成两个子空间（想象拿刀切蛋糕一分为二）。之后我们再继续用一个随机超平面来切割每个子空
转载
2023-06-02 14:51:08
167阅读
（1）采用动态规划（Dynamic Programming）的方法。这是一种运算量较大，但技术上较简单，正识率也较高的方法。其中的失真测度可以用欧氏距离(适于短时谱或倒谱参数)，也可以用对数似然比距离(适于LPC参数)．决策方法可用最近邻域准则．
（2）采用矢量量化（Vector Quantization）的方法．它既可用于语音通信中的波形或参数的压缩，也可用于语音识别．尤
目录 文章目录目录前言汉语的分词与频度统计（1）汉语词汇的特点汉语的分词与频度统计（2）汉语的分词与频度统计（3）汉语的分词与频度统计（4）汉语的分词与频度统计（5）汉语的分词与频度统计（6）汉语的分词与频度统计（7） 前言硕士生涯结束，开始专心做一件自己觉得有用的工具，先做工程，后搞理论。 自然语言处理是一个非常难的问题，同时是人工智能皇冠上的明珠。 接下来会记录一系列自然语言处理的笔记，来自于
前言现有的异常检测方法主要是通过对正常样本的描述，给出一个正常样本在特征空间中的区域，对于不在这个区域中的样本，视为异常。这些方法的主要缺点是，异常检测器只会对正常样本的描述做优化，而不会对异常样本的描述做优化，这样就有可能造成大量的误报，或者只检测到少量的异常。异常具有两个特点：异常数据只占很少量，异常数据特征值和正常数据差别很大。而孤立森林不再是描述正常的样本点，而是孤立异常点。在孤立森林中，
转载
2023-08-11 17:14:47
237阅读
要理解yield的作用，您必须理解生成器是什么。在理解生成器之前，必须先理解迭代器。迭代器当您创建一个列表时，您可以逐个读取它的项。逐项读取其项称为迭代:>>> mylist = [1, 2, 3]
>>> for i in mylist:
... print(i)1
2
3mylist是一个可迭代的对象。当你使用列表解析式时，你创建了一个列表，因此也是一
# Python孤立森林
孤立森林（Isolation Forest）是一种用于检测异常值和离群点的机器学习算法。它基于孤立树的概念，通过将异常点与正常点分离开来构建一棵孤立树，从而检测异常值。孤立森林在异常检测、欺诈检测和异常行为检测等领域有着广泛的应用。
## 孤立森林的原理
孤立森林的原理基于以下两个假设：
1. 异常点往往比正常点更容易被随机分割。
2. 异常点在树中的深度相对较小。
原创
2023-07-28 10:50:20
350阅读
1. 模版比较法计算距离比较距离2. 特征提取 红色框内为一帧信号，通常是20-50ms微观上足够长：至少包含2-3个周期宏观上足够长：在一个音素之内（例如：你好，包含了4个因素 ne yi he ao）通过傅里叶变换得到频谱特征，其有精细结构和包络精细结构反映音高，用处较小包络（整体）反映音色，是主要信息通过三角滤波得到包络信息，因为识别因素只需要音色信息。 最后通过log和DCT（离散余
转载
2024-09-14 13:19:31
118阅读
基本概念孤立森林（Isolation Forest）是一种基于异常检测的机器学习算法，用于识别数据集中的异常点。孤立森林算法在异常检测、网络入侵检测、金融欺诈检测等领域有广泛应用，并且在处理大规模数据和高维数据时表现出色。孤立森林的基本思想的前提是，将异常点定义为那些 容易被孤立的离群点：可以理解为分布稀疏，且距离高密度群体较远的点。从统计学来看，在数据空间里，若一个区域内只有分布稀疏的点，表示数
转载
2024-06-18 15:38:32
157阅读
前言现有的异常检测方法主要是通过对正常样本的描述，给出一个正常样本在特征空间中的区域，对于不在这个区域中的样本，视为异常。这些方法的主要缺点是，异常检测器只会对正常样本的描述做优化，而不会对异常样本的描述做优化，这样就有可能造成大量的误报，或者只检测到少量的异常。异常具有两个特点：异常数据只占很少量，异常数据特征值和正常数据差别很大。而孤立森林不再是描述正常的样本点，而是孤立异常点。在孤立森林中，
转载
2023-11-24 09:52:22
64阅读
一，Jieba 对于结巴而言，使用的人比较多，支持三种分词模式，繁体分词，自定义词典，MIT授权协议。三种模式分词import jieba
s_list = jieba.cut("江南小镇的青砖白瓦风景秀美如画", cut_all=True)
print("Full Mode: " + " ".join(s_list)) # 全模式
s_list = jieb
转载
2023-11-19 17:27:39
59阅读
孤立森林(isolation Forest)算法，2008年由刘飞、周志华等提出，算法不借助类似距离、密度等指标去描述样本与其他样本的差异，而是直接去刻画所谓的疏离程度(isolation)，因此该算法简单、高效，在工业界应用较多。Isolation Forest 算法的逻辑很直观，算法采用二叉树对数据进行分裂，样本选取、特征选取、分裂点选取都采用随机化的方式。喜欢本文记得收藏、关注、点赞。【注】
转载
2024-07-21 20:26:53
53阅读
孤立森林算法介绍 孤立森林中的 “孤立” (isolation) 指的是 “把 异常点 从所有样本中孤立出来” 什么是异常数据？异常数据一般有下面两个特性: 异常数据跟样本中大多数数据不太一样。 异常数据在整体数据样本中占比比较小。 孤立森林是用于异常检测的机器学习算法。这是一种 无监督学习 算法，通过隔离数据中的离群值识别异常。 孤立森林的原理是
转载
2023-12-11 21:58:21
170阅读
经常用得到的机器学习算法 孤立森林（Isolation Forest，IF）是一个基于Ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。其可以用于网络安全中的检测，金融交易欺诈检测，疾病侦测，和噪声数据过滤等。 该算法用于挖掘异常数据的无监督模型，利用坏用户与规律相比的差异来划分。每次随机选取一定数量的
转载
2024-04-08 09:32:09
135阅读
