基于语音人工智能的“黑广播”监测方法研究

"黑广播"会扰乱正常信号,破坏空中电波秩序,对社会危害极大,因此,对"黑广播"进行监测与打击是无线电管理的重要工作之一。根据广播语音内容甄别"黑广播"是最可靠的识别方式,传统的"黑广播"识别依靠人工听取广播内容,成本高、效率低,基于自动语音识别技术的方式大多依托在线网络语音服务,难以应对离线实时监测场景。本文提出一套基于语音人工智能的"黑广播"监测识别技术,提取语音声学矩阵信息并利用神经网络进行识别,可在离线情况下实现"黑广播"的实时侦测。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

基于神经网络算法的三维模型预取系统

三维漫游已经成为十分普遍的远程游览或监控的一种方式。三维漫游过程中,系统往往需要动态调用数据并生成三维模型,这会影响系统运行的效率,降低用户体验。针对这一问题,提出一种基于神经网络的智能预取系统。历史访问日志中,模型的特征与被访问频率之间的映射被提取出来,并用以训练系统。系统可以根据模型特征判断哪些模型更可能被用户请求到,并把它们提前存入内存中。通过某三维变电站实时监控与装配管理系统对该预取系统进行验证。结果表明,通过短时间(一天)对系统的训练,即可做出长期(三个月)的高准确率(90%)的预测,有效提高了系统运行的效率。     

基于小波降噪和循环神经网络的煤矿瓦斯浓度预测

在瓦斯浓度监测数据分析中发现,瓦斯浓度序列往往呈现出较强的随机性和复杂性,时序数据中含有的噪声会对数据的预测结果产生干扰。为了减少数据中的噪声所带来的负面效果,提出了一种将小波阈值降噪与LSTM(长短期记忆网络)相结合的瓦斯浓度预测模型。通过将原始数据进行分解、阈值处理和重构,对时序数据中的噪声进行剥离,再通过LSTM模型进行预测分析,与普通LSTM和RNN网络进行比较,结果表明,所提出的基于小波降噪的LSTM的瓦斯浓度预测模型在精确度和泛化能力上都具有更好的表现。