纸质简谱图像的分割、倾斜校正及音符歌词提取

乐谱图像的自动分割、倾斜校正是乐谱识别过程中的关键技术,各种计算机光学乐谱识别技术在乐谱图像的数字化中有着广泛的应用,但对于乐谱中简谱的识别一直鲜有研究.本文针对人工拍摄条件下光照不理想的简谱图像,提出一种基于PCNN(脉冲耦合神经网络)和DNN(深度神经网络)相结合的分块简谱图像自动分割算法,该方法根据简谱图像灰度分布特征对图像进行自适应分块处理,依据每个分块的灰度特征与PCNN最佳迭代次数之间的关系构造合适的DNN神经网络,从而实现了最优分割图的自适应选取;进一步利用最优分割图像中音符小节线的水平投影,提出一种双尺度下降法实现了简谱图像的倾斜校正;提出去边垂直投影法和连通域距离判断法实现了简谱图像中音符及歌词的提取.实验仿真结果表明:本文算法对复杂光照条件下的简谱图像处理都具有较好的鲁棒性,同时表现出更高的效率.     

基于深度学习的IPTV视频用户行为分析方法研究

IPTV视频业务的复杂性和多样性使其难以充分发挥运营商技术优势。借助深度神经网络DNN模型对IPTV视频用户进行用户行为分析。利用深度学习算法对用户点播视频活跃度实施精确分类,从而帮助IPTV服务提供商合理配置资源,同时为终端用户提供更高效优质的服务。实验结果表明,与现有的方法相比,该方法收敛快,分类准确率达93%。     

基于深度神经网络的煤矿突水水源判别分析

通过研究已有突水水源判别方法,发现其存在收敛速度慢和目标函数存在局部极小点的问题,导致判别准确率较低。为了提高突水水源判别的准确率,文章提出使用深度神经网络判别煤矿突水水源,选择突水水化学数据、矿化度、总硬度、碳酸硬度、非碳酸硬度、负硬度、总碱度和总酸度等指标属性作为判别因子,建立水源判别模型。通过对比实验,结果表明,DNN模型可以有效提高突水水源识别的准确率。     

基于DNN／NHibernate的Web—MIS设计与实现

引入了基于．NET环境的2种具有不同作用的框架：DNN与NHibemate，分析了DNN和NHibemate的体系结构，构建了基于DNN／NHibemate的Web-MIS的框架结构，给出了系统各层的具体实现方法．某Web-MIS的开发实践证明，利用DNN／NHibemate框架开发Web-MIS可提高系统的开发效率和可靠性．     

基于深度学习的单层双阻带频率选择表面设计

为了满足FR1频段与Ku频段电磁干扰的屏蔽需求，提出一种双阻带、具有良好角度稳定性和极化稳定性的频率选择表面(FSS)结构。所设计的FSS单元结构由覆盖在FR4介质表面的金属方环与四个弯折金属臂共同组成。该结构的低频阻带覆盖0～5.5 GHz，高频阻带可根据金属臂长度进行调节。为快速获得高频阻带结构，构建了反向传播深度神经网络(BP-DNN)模型。该模型以FSS单元结构的五个参数作为输入，以高频阻带的中心频点与15 dB屏蔽效能(SE)带宽作为输出。训练后的深度网络模型可快速获得12～21 GHz范围内指定高频阻带中心频点及15 dB屏蔽效能带宽的FSS单元结构参数。利用训练后的BP-DNN网络模型快速获得了高频阻带中心频点在16 GHz，|S₂₁|≤-15 dB带宽为1.86 GHz的FSS结构，全波分析仿真结果表明该设计达到预期效果。     

基于深度神经网络的火电厂水冷壁结焦预警

水冷壁结焦现象一直普遍存在于依赖燃煤锅炉的火电厂，焦层会影响热传导，可能引起水冷壁管超温爆漏，造成经济损失和人员伤亡，因此，实现对水冷壁结焦的预警是非常重要的。鉴于此，基于真实水冷壁故障数据，使用深度神经网络进行水冷壁结焦状态预测模型的建模。最终，模型在测试集上的MAE小于0.061,MSE小于0.006 9，在合理的报警阈值内，模型可以提前12 min进行预警。实验结果表明，基于数据驱动的预测模型可以在水冷壁结焦预警问题中发挥很好的作用。     

基于DNN整机建模的滚珠丝杠进给系统关键结合部动态特性参数辨识EI北大核心CSCD

针对滚珠丝杠进给系统关键结合部动态特性参数的辨识精度不高等问题。提出利用可表征结合部动态特性参数与整机固有频率之间映射关系的深度神经网络(deep neural network, DNN)建立进给系统整机的等效动力学模型;结合进给系统固有频率的DNN预测值与实验模态分析值,采用粒子群优化(particle swarm optimization, PSO)算法对进给系统关键结合部的不同方向的刚度、阻尼参数同时辨识。以自行设计制造的进给系统实验台为实例进行整机建模、实验、参数辨识等分析;最终的辨识结果达到很高精度,说明该方法是可行、有效的。     

基于DNN的网络数据库的应用

分析了网络数据库及相关技术,针对门户网站PWP的实际开发阐述了将数据集封装成对象对数据库数据进行操作的实现及优点,并结合实际运用测试说明了反射机制和三层架构的实现,体现DNN在网络数据库中的应用。     

复杂信道环境下的多维策略智能抗干扰技术

针对当前智能抗干扰技术策略维度低、复杂环境应对性差的问题,提出了适应复杂环境的多维策略智能抗干扰技术。将单音信号作为探测信号,通过扫频方式减少探测阶段复杂度以实现快速实时的环境状态特征提取,之后设计了基于深度神经网络的实时智能决策引擎模型以提高决策速度和准确率。仿真结果表明所提方案能够准确地预测通信质量,最后根据目标函数在所有可通信策略中决策出最优策略,当探测信号扫频间隔选取合适时,该方案能够达到接近96%的决策准确率及较好的资源利用率,能有效进行抗干扰并取得较好的通信质量。     

DNN模型对汉语电话录音识别的研究与比较

深度神经网络DNN(Deep Neural Network)是近年机器学习理论中被诸多研究者广泛关注的语音识别模型。DNN模型利用DNN的学习能力可提升对噪声和口音的鲁棒性,在很多大规模语音识别任务中都超过了GMM模型。本文基于DNN与HMM特点,提取40维的MFCC特征向量后,利用DNN的每个输出节点估计HMM每个状态的后验概率,进而得到了对电话录音场景下的模型参数。最后,对1000小时的汉语电话录音和公开汉语语料集thchs-30上进行三次模型训练设计实验,并对比GMM-HMM模型参数效果。实验结果表明,DNN-HMM模型在1000小时的电话录音测试集上误识率降低了5.84%-9.42%,且两种模型识别效果表现得都比较稳定。