95、机器学习在声音识别与QSAR回归模型中的应用

机器学习在声音识别与QSAR回归模型中的应用

1. 转移学习在QSAR回归模型中的应用

在定量构效关系（QSAR）回归模型中，转移学习是一种有效的方法。它可以从其他相关领域获取更多实例信息，应用于同一生物靶点的研究。

1.1 改进的SVR方法

提出了一种适用于转移学习的支持向量回归（SVR）方法，并在涉及基准数据和QSAR回归模型的实验中进行了评估。与标准SVR方法的对比分析显示出了有前景的结果，特别是在训练实例较少的数据集上。
- 性能提升 ：不仅能提高目标任务的性能，还能减少从化学描述符构建新模型的工作量和成本。

2. 非发音声音识别的研究

2.1 研究背景

• 言语障碍与训练 ：有发音和语音障碍的人，尤其是患有唐氏综合征（DS）的儿童，言语发展明显延迟，需要进行发音和非发音声音的训练。非发音声音如吹气和嘴唇发声等，可作为语音产生的准备活动。
• 语音识别挑战 ：自动语音识别（ASR）面临可变语音信号输入和处理类似噪声声音的挑战，传统技术在识别非发音声音时存在困难。

2.2 相关技术

2.2.1 梅尔频率倒谱系数（MFCC）

• 原理 ：声音波是机械波，可通过傅里叶变换将音频信号分解为多个具有特征长度和振荡频率的简单波。人类听觉系统对相对变化更敏感，梅尔尺度满足频率的对数尺度变换要求。