Siheng Yi

该工作提出 TopCap 与 TopNN 两种方法，用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征（如最大持续度及其出生时间），在浊辅音与清辅音二分类任务上，TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性，而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。

该工作提出 TopCap 与 TopNN 两种方法，用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征（如最大持续度及其出生时间），在浊辅音与清辅音二分类任务上，TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性，而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。