本文的重点是自动将连续语音信号分割并标记为印度语的类音节单位。在该方法中，首先使用基于组延迟的算法将连续语音信号自动分割为音节单元。然后使用无监督增量训练（UIT）技术将相似的音节段分组在一起。在训练期间，为每个集群生成独立样式的HMM模型。在测试期间，语音信号被分割成音节单元，然后根据训练期间获得的HMM进行测试。泰米尔语和泰卢固语的音节识别率分别为42.6%和39.94%。针对音节识别任务，探索了一种新的特征提取技术，该技术在训练和测试过程中使用从多个帧大小和帧率中提取的特征。这导致泰米尔语和泰卢固语的识别率分别为48.7%和45.36%。标记后的切分性能优于flat起始音节识别器（泰米尔语和泰卢固语分别为27.8%和28.8%）。

传统上，语音信号中的信息是通过短时傅里叶分析得到的特征来表示的。在此分析中，考虑了从傅里叶变换（FT）幅度中提取的特征，忽略了相位分量。尽管近三十年来的一些研究强调了FT相位的重要性，但由于相位计算和相位函数处理的困难，FT相位特征并未得到充分利用。短时FT相位函数中的信息可以通过处理FT相位的导数，即群延迟函数来提取。本文回顾了群延迟函数的性质，强调了FT相位对语音信号中信息表示的重要性。讨论了处理群延迟函数的方法，以共振峰的形式或通过修改的群延迟函数捕捉声道系统的特征。详细讨论了群延迟函数在语音处理中的应用。它们包括将语音分割成音节边界，利用组延迟函数的可加性和高分辨率特性。在语言识别、语音识别和说话人识别等应用中，证明了语音分段的有效性以及从修改后的组延迟中导出的特征。因此，本文论证了开发群延迟函数潜力用于语音系统开发的必要性。

互联网已经成为重要的信息来源；内部和外部攻击威胁到连接到Internet的LAN的完整性。在这项工作中，描述了几种检测此类威胁的技术。我们重点研究了网络边缘校园环境中基于异常的入侵检测。由9000多个用户组成的校园局域网是一个大型网络，具有90 Mbps的互联网接入链路。因此，需要有效的技术来处理此类大数据并模拟用户行为。校园局域网的代理服务器日志和边缘路由器跟踪被用于异常情况，如滥用互联网访问、系统下载（内部威胁）和DDoS攻击（外部威胁）；我们的技术包括机器学习和时间序列分析，应用于TCP/IP协议栈的不同层。我们的技术的准确性已经通过对大量不同数据集的广泛实验得到了证明。所有技术都适用于边缘，可以集成到网络入侵检测系统中。