说明:双击或选中下面任意单词,将显示该词的音标、读音、翻译等;选中中文或多个词,将显示翻译。
您的位置:首页 -> 词典 -> Mel nikov函数
1)  Mel nikov function
Mel nikov函数
1.
Finding the upper bound for the number of isolated zeros of Mel nikov function is an important problem of bifurcation theory of ordinary differential equation.
确定Mel nikov函数孤立零点个数的上界,是当今分支理论研究的热门课题之一,这一问题和确定Hamilton向量场在多项式扰动下极限环的个数密切相关。
2.
It s studied that the number of isolated zeros of the Mel nikov function for a one-parameter Hamiltonian system under polynomial perturbations in this paper.
对于一类含单参数Hamilton平面向量场的n次多项式扰动系统(?),其中λ为小参数,(?)为扰动参数,0<(?)1,k为充分大的正整数,P,Q为实多项式,且degP,degQ≤n,n为非负整数,本文使用坐标变换将此系统化简为含参数的Bogdonov-Takens系统,(?),其中P~*,Q~*为实多项式,且degP~*,degQ~*≤n,根据系统一阶Mel nikov函数M_1(h,λ)关于小参数λ的Taylor展开式,直接利用Petrov定理给出了M_1(h,λ)的孤立零点个数上界的估计,即当(?)(m为非负整数)时,B(2,n)≤n+m-1。
2)  Me'nikov
Me′nikov函数
3)  Mel frequency cepstrum coefficient
Mel倒谱系数
4)  MFCC
Mel倒谱系数
5)  Mel-frequency cepstral coefficients
Mel倒谱参数
1.
This article improves the algorithm of Mel-frequency cepstral coefficients in speaker recognition technology based on frequency character of speech signal.
基于语音信号的频谱特性,本文对说话人识别技术中Mel倒谱参数做了改进,并通过Microsoft Visual C++6。
2.
An audio retrieval theory using Mel-frequency cepstral coefficients (MFCC) and the Earth Mover s Distance (EMD) is presented.
介绍了一种基于Mel倒谱参数和EarthMover'sDistance(EMD)度量的音频检索方法,它利用了人耳的感知特性,并结合特征分布之间的距离度量EMD,获得了良好的性能,具有广阔的发展前景。
6)  MFCC
Mel频率倒谱系数
1.
In this paper,we first propose an improved Mel-frequency cepstrum coefficients(PL-MFCC) which acquires by substituting logarithm by a new combined function fPL(x) to amend the noisy sensitivity of the logarithm.
通过研究在低能量段用幂函数代替自然对数函数对Mel滤波器组的输出进行处理,从而得到一种改进Mel频率倒谱系数(PL-MFCC)。
2.
In order to make identification from the speech signal,based on analysis of the conventional identical algorithm,it proposes an advanced method,which uses Mel Frequency Ceptral Coefficients(MFCC) as feature parameters.
为实现由语音信号进行说话人身份的辨识,研究了以往的实现说话人辨认的系统,提出一种改进的算法,采用能够反映人对语音感知特性的Mel频率倒谱系数(MFCC)作为特征参数,即基于概率神经网络(PNN)的识别方法。
3.
The MFCC feature of speech is extracted to recognize vowel(a,i,u)through SVM classifier.
以Mel频率倒谱系数(MFCC)作为语音特征,通过SVM分类器进行元音a,i,u的识别,根据其对应量化后的语音能量,映射到嘴形序列,进行中值滤波和排除"奇异点"。
补充资料:高斯函数模拟斯莱特函数
      尽管斯莱特函数作为基函数在原子和分子的自洽场(SCF)计算中表现良好,但在较大分子的SCF计算中,多中心双电子积分计算极为复杂和耗时。使用高斯函数(GTO)则可使计算大大简化,但高斯函数远不如斯莱特函数(STO)更接近原子轨道的真实图象。为了兼具两者之优点,避两者之短,考虑到高斯函数是完备函数集合,可将STO向GTO展开:
  
  
  式中X(ζS,A,nS,l,m)定义为在核A上,轨道指数为ζS,量子数为nS、l、m 的STO;g是GTO:
  
  
  其变量与STO有相似的定义;Ngi是归一化常数:
  
  
  rA是空间点相对于核A的距离;ci是组合系数;K是用以模拟STO的GTO个数(理论上,K→∞,但实践证明K只要取几个,便有很好的精确度)。
  
  ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS=1 时固定K值的ci和(i=1,2,...,K),然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数,而且,ci不依赖于ζS,因而ζS=1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
  

说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条