CN108550365B - 离线语音识别的阈值自适应调整方法 - Google Patents

离线语音识别的阈值自适应调整方法 Download PDF

Info

Publication number
CN108550365B
CN108550365B CN201810102936.3A CN201810102936A CN108550365B CN 108550365 B CN108550365 B CN 108550365B CN 201810102936 A CN201810102936 A CN 201810102936A CN 108550365 B CN108550365 B CN 108550365B
Authority
CN
China
Prior art keywords
recognition
threshold
voice recognition
time
ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810102936.3A
Other languages
English (en)
Other versions
CN108550365A (zh
Inventor
陈晓松
鲍晴峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Unisound Intelligent Technology Co Ltd
Original Assignee
Unisound Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Unisound Intelligent Technology Co Ltd filed Critical Unisound Intelligent Technology Co Ltd
Priority to CN201810102936.3A priority Critical patent/CN108550365B/zh
Publication of CN108550365A publication Critical patent/CN108550365A/zh
Application granted granted Critical
Publication of CN108550365B publication Critical patent/CN108550365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/065—Adaptation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Telephone Function (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开的离线语音识别的阈值自适应调整方法，包括步骤：设定基础阈值和补偿阈值，其中，基础阈值包括第一阈值和第二阈值；根据所设定的基础阈值和补偿阈值，对所有待识别目标进行语音识别第一次语音识别和第二次语音识别；统计识别结果整体的第二次语音识别的识别命中比率；调整基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内；统计识别结果中的每个单一识别目标的第二次语音识别的识别命中比率；调整用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内。

Description

离线语音识别的阈值自适应调整方法
技术领域
本发明涉及语音识别技术领域，特别涉及一种离线语音识别的阈值自适应调整方法。
背景技术
在语音识别领域，有着良好表现的都是运算能力强、存储空间大的在线识别，而离线语音识别由于受到硬件性能的限制，往往用于限定范围内语音识别，在需要识别的语音有限时的表现较好，而在用于一般情况的识别时，识别率会明显降低。
目前，由于硬件的限制，离线语音识往往不会考虑被识别的语音中的噪音情况等，往往用相同的设定去识别不同背景噪音下的语音，如将识别引擎返回结果的打分值与固定的阈值进行比较，以此决定识别结果是否可用，从而一定程度上影响了语音识别的准确性，导致容易出现误识别或识别率低的问题。
发明内容
为解决以上问题，本发明提供了一种离线语音识别的阈值自适应调整方法，通过自动调整离线语音识别中的阈值来提高离线语音识别的准确性。本发明提供的一种离线语音识别的阈值自适应调整方法，包括步骤：
设定基础阈值和补偿阈值，其中，基础阈值包括第一阈值和第二阈值，所述第一阈值，与补偿阈值之和用于进行第一次语音识别；所述第二阈值，与补偿阈值之和用于进行第二次语音识别；
根据所设定的基础阈值和补偿阈值，对所有待识别目标进行语音识别第一次语音识别和第二次语音识别；
统计识别结果整体的第二次语音识别的识别命中比率；
当所述整体的第二次语音识别的识别命中比率处于第一预设范围之外时，调整基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内；
统计识别结果中的每个单一识别目标的第二次语音识别的识别命中比率；
当存在某个单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之外时，调整用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内。
优选的，所述调整基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内，具体实施为，
当所述整体的第二次语音识别的识别命中比率小于第一预设范围的下限时，提高基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内；
当所述整体的第二次语音识别的识别命中比率大于第一预设范围的上限时，降低基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内。
优选的，所述第二预设范围，其下限为0。
优选的，所述调整用于所述单一识别目标的补偿阈值，使所单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内，具体实施为，
当某个单一识别目标的第二次语音识别的识别命中比率大于第二预设范围的上限时，降低用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内。
优选的，所述补偿阈值，其初始值为0。
优选的，
所述提高基础阈值，具体实施为，
比较当前的整体的第二次语音识别的识别命中比率与第一预设范围的中值，得到其差值的绝对值，作为第一差值；
用所述第一差值乘以预设的第一调整因子，作为基础阈值的第一调整系数，所述第一调整因子为正值；
用所述基础阈值的第一调整系数乘以原基础阈值，并与原基础阈值相加，得到新的基础阈值；
所述降低基础阈值，具体实施为，
比较当前的整体的第二次语音识别的识别命中比率与第一预设范围的中值，得到其差值的绝对值，作为第二差值；
用所述第二差值乘以预设的第二调整因子，作为基础阈值的第二调整系数，所述第二调整因子为负值；
用所述基础阈值的第二调整系数乘以原基础阈值，并与原基础阈值相加，得到新的基础阈值。
本发明的一些有益效果可以包括：
通过本发明的方法，能够在不同的识别环境和人声输入场景下，自动地调整阈值，从而能够提高离线语音识别的识别率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种离线语音识别的阈值自适应调整方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为本发明实施例中一种离线语音识别的阈值自适应调整方法的流程图，如图1所示，包括步骤：
步骤S101、设定基础阈值和补偿阈值，其中，基础阈值包括第一阈值和第二阈值，所述第一阈值，与补偿阈值之和用于进行第一次语音识别；所述第二阈值，与补偿阈值之和用于进行第二次语音识别；
步骤S102、根据所设定的基础阈值和补偿阈值，对所有待识别目标进行语音识别第一次语音识别和第二次语音识别；
步骤S103、统计识别结果整体的第二次语音识别的识别命中比率；
步骤S104、当所述整体的第二次语音识别的识别命中比率处于第一预设范围之外时，调整基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内；
步骤S105、统计识别结果中的每个单一识别目标的第二次语音识别的识别命中比率；
步骤S106、当存在某个单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之外时，调整用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内。
通过将识别引擎返回结果的打分值与阈值(基础阈值与补偿阈值之和)进行比较，并根据第二次语音识别的识别命中比率(第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比)来调整基础阈值和/或补偿阈值的值，从而实现了对阈值的动态调整，能够使自动地调整阈值，从而能够提高离线语音识别的识别率，尤其是在不同的识别环境和人声输入场景下，具有明显的效果。
在本发明的一个实施例中，所述调整基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内，具体实施为，
当所述整体的第二次语音识别的识别命中比率小于第一预设范围的下限时，提高基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内；
当所述整体的第二次语音识别的识别命中比率大于第一预设范围的上限时，降低基础阈值，使所述整体的第二次语音识别的识别命中比率处于第一预设范围之内。
由于调整基础阈值的影响较大，而调整补偿阈值的计算量又过大，因此为了平衡基础阈值和补偿阈值的影响，减少调整补偿阈值的计算量，因此增加第二预设范围的大小，在本发明的一个实施例中，所述第二预设范围，其下限为0。
由于调整基础阈值的影响较大，而调整补偿阈值的计算量又过大，因此为了平衡基础阈值和补偿阈值的影响，减少调整补偿阈值的计算量，因此增加第二预设范围的大小，在本发明的一个优选实施例中，所述调整用于所述单一识别目标的补偿阈值，使所单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内，具体实施为，
当某个单一识别目标的第二次语音识别的识别命中比率大于第二预设范围的上限时，降低用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别的识别命中比率处于第二预设范围之内。
为了尽量减少调整补偿阈值的次数，在本发明的一个实施例中，所述补偿阈值，其初始值为0。
为了降低调整阈值时的计算复杂度，用线性(原基础阈值与较优的基础阈值之差与第一差值成比例)的估计来确定较优的基础阈值，往往不需要进行较多步骤的迭代即可找到较优的基础阈值，使计算量降低，在本发明的一个实施例中，
所述提高基础阈值，具体实施为，
比较当前的整体的第二次语音识别的识别命中比率与第一预设范围的中值，得到其差值的绝对值，作为第一差值；
用所述第一差值乘以预设的第一调整因子，作为基础阈值的第一调整系数，所述第一调整因子为正值；
用所述基础阈值的第一调整系数乘以原基础阈值，并与原基础阈值相加，得到新的基础阈值；
所述降低基础阈值，具体实施为，
比较当前的整体的第二次语音识别的识别命中比率与第一预设范围的中值，得到其差值的绝对值，作为第二差值；
用所述第二差值乘以预设的第二调整因子，作为基础阈值的第二调整系数，所述第二调整因子为负值；
用所述基础阈值的第二调整系数乘以原基础阈值，并与原基础阈值相加，得到新的基础阈值。
通过本发明的方法，能够在不同的识别环境和人声输入场景下，自动地调整阈值，从而能够提高离线语音识别的识别率。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种离线语音识别的阈值自适应调整方法，其特征在于，包括步骤：
设定基础阈值和补偿阈值，其中，基础阈值包括第一阈值和第二阈值，所述第一阈值，其与补偿阈值之和用于进行第一次语音识别；所述第二阈值，其与补偿阈值之和用于进行第二次语音识别；
根据所设定的基础阈值和补偿阈值，对所有待识别目标进行语音识别第一次语音识别和第二次语音识别；
统计识别结果整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比；
当所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第一预设范围之外时，调整基础阈值，使所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第一预设范围之内；
统计识别结果中的每个单一识别目标的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比；
当存在某个单一识别目标的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第二预设范围之外时，调整用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第二预设范围之内。
2.根据权利要求1所述的方法，其特征在于，所述调整基础阈值，使所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第一预设范围之内，具体实施为，
当所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比小于第一预设范围的下限时，提高基础阈值，使所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第一预设范围之内；
当所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比大于第一预设范围的上限时，降低基础阈值，使所述整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第一预设范围之内。
3.根据权利要求1所述的方法，其特征在于，所述第二预设范围，其下限为0。
4.根据权利要求3所述的方法，其特征在于，所述调整用于所述单一识别目标的补偿阈值，使所单一识别目标的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第二预设范围之内，具体实施为，
当某个单一识别目标的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比大于第二预设范围的上限时，降低用于所述单一识别目标的补偿阈值，使所述单一识别目标的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比处于第二预设范围之内。
5.根据权利要求1所述的方法，其特征在于，所述补偿阈值，其初始值为0。
6.根据权利要求2所述的方法，其特征在于，
所述提高基础阈值，具体实施为，
比较当前的整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比与第一预设范围的中值，得到其差值的绝对值，作为第一差值；
用所述第一差值乘以预设的第一调整因子，作为基础阈值的第一调整系数，所述第一调整因子为正值；
用所述基础阈值的第一调整系数乘以原基础阈值，并与原基础阈值相加，得到新的基础阈值；
所述降低基础阈值，具体实施为，
比较当前的整体的第二次语音识别成功识别的数量与第一次语音识别成功识别的数量之比与第一预设范围的中值，得到其差值的绝对值，作为第二差值；
用所述第二差值乘以预设的第二调整因子，作为基础阈值的第二调整系数，所述第二调整因子为负值；
用所述基础阈值的第二调整系数乘以原基础阈值，并与原基础阈值相加，得到新的基础阈值。
CN201810102936.3A 2018-02-01 2018-02-01 离线语音识别的阈值自适应调整方法 Active CN108550365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810102936.3A CN108550365B (zh) 2018-02-01 2018-02-01 离线语音识别的阈值自适应调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810102936.3A CN108550365B (zh) 2018-02-01 2018-02-01 离线语音识别的阈值自适应调整方法

Publications (2)

Publication Number Publication Date
CN108550365A CN108550365A (zh) 2018-09-18
CN108550365B true CN108550365B (zh) 2021-04-02

Family

ID=63515743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810102936.3A Active CN108550365B (zh) 2018-02-01 2018-02-01 离线语音识别的阈值自适应调整方法

Country Status (1)

Country Link
CN (1) CN108550365B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110265018B (zh) * 2019-07-01 2022-03-04 成都启英泰伦科技有限公司 一种连续发出的重复命令词识别方法
CN116383795B (zh) * 2023-06-01 2023-08-25 杭州海康威视数字技术股份有限公司 生物特征识别方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1455387A (zh) * 2002-11-15 2003-11-12 中国科学院声学研究所 一种语音识别***中的快速解码方法
CN1860490A (zh) * 2003-09-30 2006-11-08 皇家飞利浦电子股份有限公司 自适应设定生物统计测量阈值的***和方法
CN1912993A (zh) * 2005-08-08 2007-02-14 中国科学院声学研究所 基于能量及谐波的语音端点检测方法
US20070050190A1 (en) * 2005-08-24 2007-03-01 Fujitsu Limited Voice recognition system and voice processing system
CN101089952A (zh) * 2006-06-15 2007-12-19 株式会社东芝 噪声抑制、平滑语音谱、提取语音特征、语音识别、及训练语音模型的方法和装置
US20090198493A1 (en) * 2003-12-23 2009-08-06 At&T Corp. System and Method for Unsupervised and Active Learning for Automatic Speech Recognition
US20100111329A1 (en) * 2008-11-04 2010-05-06 Ryuichi Namba Sound Processing Apparatus, Sound Processing Method and Program
CN102376305A (zh) * 2011-11-29 2012-03-14 安徽科大讯飞信息科技股份有限公司 语音识别方法及***
CN103578468A (zh) * 2012-08-01 2014-02-12 联想(北京)有限公司 一种语音识别中置信度阈值的调整方法及电子设备
CN107430870A (zh) * 2015-03-12 2017-12-01 索尼公司 低功率语音命令检测器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010064203A1 (de) * 2010-12-27 2012-06-28 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung einer Erkennungsschwelle
CN104699447B (zh) * 2015-03-12 2017-10-10 浙江万朋教育科技股份有限公司 一种基于能量统计的语音音量自动调整方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1455387A (zh) * 2002-11-15 2003-11-12 中国科学院声学研究所 一种语音识别***中的快速解码方法
CN1860490A (zh) * 2003-09-30 2006-11-08 皇家飞利浦电子股份有限公司 自适应设定生物统计测量阈值的***和方法
US20090198493A1 (en) * 2003-12-23 2009-08-06 At&T Corp. System and Method for Unsupervised and Active Learning for Automatic Speech Recognition
CN1912993A (zh) * 2005-08-08 2007-02-14 中国科学院声学研究所 基于能量及谐波的语音端点检测方法
US20070050190A1 (en) * 2005-08-24 2007-03-01 Fujitsu Limited Voice recognition system and voice processing system
CN101089952A (zh) * 2006-06-15 2007-12-19 株式会社东芝 噪声抑制、平滑语音谱、提取语音特征、语音识别、及训练语音模型的方法和装置
US20100111329A1 (en) * 2008-11-04 2010-05-06 Ryuichi Namba Sound Processing Apparatus, Sound Processing Method and Program
CN102376305A (zh) * 2011-11-29 2012-03-14 安徽科大讯飞信息科技股份有限公司 语音识别方法及***
CN103578468A (zh) * 2012-08-01 2014-02-12 联想(北京)有限公司 一种语音识别中置信度阈值的调整方法及电子设备
CN107430870A (zh) * 2015-03-12 2017-12-01 索尼公司 低功率语音命令检测器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
UNIVERSAL COMPENSATION - AN APPROACH TO NOISY SPEECH RECOGNITION ASSUMING NO KNOWLEDGE OF NOISE;Ji Ming;《ICASSP 2004》;20041231;全文 *
一种阈值自适应调整的实时音频分割方法;李超等;《背景航空航天大学学报》;20051231;全文 *
阈值自适应语音自动分割***模型;张俊星等;《计算机工程与设计》;20100831;全文 *

Also Published As

Publication number Publication date
CN108550365A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN108564951B (zh) 智能降低语音控制设备误唤醒概率的方法
US10453472B2 (en) Parameter prediction device and parameter prediction method for acoustic signal processing
CN108550365B (zh) 离线语音识别的阈值自适应调整方法
CN106910511B (zh) 一种语音去噪方法和装置
KR20040016868A (ko) 데이터 평활화를 위한 방법 및 장치
JP6764923B2 (ja) 音声処理方法、装置、デバイスおよび記憶媒体
CN111160531B (zh) 神经网络模型的分布式训练方法、装置及电子设备
CN111062884B (zh) 一种图像增强方法、装置、存储介质和终端设备
GB2604498A (en) Improving audio quality of speech in sound systems
US20220269988A1 (en) Abnormality degree calculation system and abnormality degree calculation method
CN106648335A (zh) 一种二级联动菜单的创建方法及装置
CN109783769B (zh) 一种基于用户项目评分的矩阵分解方法和装置
WO2021041568A1 (en) Dialog enhancement using adaptive smoothing
CN113313246A (zh) 用于确定模型压缩率的方法、设备和程序产品
CN114830137A (zh) 用于生成预测模型的方法和***
CN114047691A (zh) 自适应学习率协同优化的目标识别方法、装置及电子设备
US20080071497A1 (en) Processing data to maintain an estimate of a running median
CN108510996B (zh) 一种快速迭代自适应滤波方法
CN113176738B (zh) 控制冲压成型性的方法及装置
CN110622116A (zh) 坐标平滑方法、触控芯片及电子终端
CN110334935B (zh) 一种评估并网变换器暂态稳定性的方法、装置及存储介质
CN113036769A (zh) 一种电力***静态电压稳定分析方法及***
CN111815510A (zh) 基于改进的卷积神经网络模型的图像处理方法及相关设备
CN114614490A (zh) 无功电压控制方法和装置、介质以及计算装置
CN111462757A (zh) 基于语音信号的数据处理方法、装置、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room 101, 1st floor, building 1, Xisanqi building materials City, Haidian District, Beijing 100096

Applicant after: Yunzhisheng Intelligent Technology Co.,Ltd.

Address before: 12 / F, Guanjie building, building 1, No. 16, Taiyanggong Middle Road, Chaoyang District, Beijing

Applicant before: BEIJING UNISOUND INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant