弱标签声音事件检测的空间-通道特征表征与自注意池化

深度神经网络声音事件检测方法需要大量标记声音事件类别和起止时间的强标签音频样本,然而强标签标注非常困难和耗时.弱标签声音事件检测是解决这一困难的有效途径.本文将弱标签声音事件检测作为多实例学习问题,并基于卷积循环神经网络提出弱标签声音事件检测的空间-通道特征表征与自注意池化方法 .该方法研究多实例弱标签声音事件检测的特征表征和帧级预测结果池化两个方面的内容.在特征表征方面,为了增强卷积神经网络的特征表征能力,结合上下文门控和通道注意机制构建门控注意力结构并嵌入到卷积循环神经网络中,实现了音频样本特征的空间和通道特征选择;在预测结果池化方面,引入自注意思想设计音频帧预测结果的自注意池化方法,增强了音频样本中事件帧之间的相关度,使事件帧获得更大的权重.本文方法通过对卷积循环神经网络特征表征和预测结果池化的革新,有效提升了模型的检测性能.本文提出的方法在DCASE 2017任务4和DCASE 2018任务4数据集的评估集中分别取得了52.47%和31.00%的F1得分,性能优于当前绝大部分的弱标签声音事件检测方法 .实验结果表明：本文提出的空间-通道特征表征与自注意池化方法能显著改善弱标签声...     

用于人脸识别的相对梯度直方图特征描述

由于方向边缘幅值模式(POEM)在剧烈光照变化情况下无法获得足够的特征描述信息,本文分析了相对梯度幅值图像特点,提出了相对梯度直方图特征描述方法。该方法根据图像的梯度方向对相对梯度幅值图像进行分解、滤波、局部二值模式编码和特征降维,形成了对光照变化,尤其是非均匀光照变化具有健壮性的低维直方图特征。在FERET和YaleB子集上的人脸识别实验证实:在光照变化较小时,相对梯度直方图特征描述方法与方向边缘幅值模式的性能相当,均显著优于经典的局部二值模式特征;在光照剧烈变化时,前者的识别精度比方向边缘幅值模式至少高5%,性能显著优于方向边缘幅值模式和局部二值模式,展示了相对梯度直方图特征描述方法的有效性和对光照变化的良好健壮性。     

基于监督保局子空间虚假近邻准则的原始特征选择

提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间,消除样本数据输入变量之间的相关性;然后,利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度,获得每个原始特征对类别变量不同程度的解释力;最后,从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集,并建立最近邻分类器,识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证,结果表明,该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征,获得的最佳特征子集比全特征集合的特征数量减少了50%以上,分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力,是一种有效的非线性特征选择方法。     

用于分类的样本保局鉴别分析方法

针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题,结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法.该方法通过分别构造每个样本的类内近邻图和类外近邻图,并将所有样本的类内近邻图和类外近邻图结合起来,形成了所有样本的类内近邻和类外近邻关系.然后,在使所有样本的类内近邻尽可能地聚集在一起的同时使...     

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气(HSG)净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析(ICA)方法基础上,高阶累积量分析(HCA)用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析(CW-HCA)联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。     

音频标记一致性约束CRNN声音事件检测

级联卷积神经网络(CNN)结构和循环神经网络(RNN)结构的卷积循环神经网络(CRNN)及其改进是当前主流的声音事件检测模型.然而,以端到端方式训练的CRNN声音事件检测模型无法从功能上约束CNN和RNN结构的作用.针对这一问题,该文提出了音频标记一致性约束CRNN声音事件检测方法(ATCC-CRNN).该方法在CRN...     

基于动态核独立元统计量的石油管道泄漏检测

石油管道泄漏是受腐蚀、磨损、焊缝缺陷、振动、冲刷以及人为破坏等多种因素影响的连续动态过程,单纯基于压力信号的检测和基于高斯分布假设的信号分析方法不能适应其多变量、强耦合、动态特性。为此,综合考虑与管道泄漏有关的操作参数和环境参数,针对管道监测参数呈现时序自相关性、泄漏检测精度不高的问题,提出一种基于动态核独立分量分析(DKICA)的石油管道泄漏检测方法。首先引入动态特性确定算法(DOD)计算模型最佳参数阶次,解决动态过程导致的监测参数呈现时序自相关性问题;再采用核独立分量分析(KICA)在核主元空间提取独立元;最后通过考察独立元的T2、SPE联合指标判断泄漏发生。通过对某一输送场站采集的数据进行实验验证,结果表明采用联合指标D2的正常样本误检率和泄漏样本漏检率都远低于单独采用T2或SPE统计量;而引入动态特性的2阶DKICA对于正常样本的误检率和泄漏样本的漏检率都低于未引入动态特性的KICA方法。可见,所提出的基于动态核独立分量联合指标的石油管道泄漏检测方法是一种高效且可行的方法。     

Gamma Test噪声估计的Kalman神经网络在动态工业过程建模中的应用

Kalman神经网络以其良好的自适应非线性逼近能力,被广泛用于复杂非线性动态工业过程建模。传统噪声估计方法难以得到观测噪声不确定动态工业过程的噪声估计值,因而常将观测噪声估计值置零以进行Kalman神经网络建模,影响Kalman神经网络的建模效果,限制了Kalman神经网络在观测噪声不确定动态工业过程建模中的应用。有效利用观测输入输出数据,提出样本有效噪声估计(Gamma test,GT)改进的Kalman神经网络建模方法。采用衰减记忆的GT对输入输出数据进行实时估计,得到准确的观测噪声估计值,再利用Kalman神经网络实现精确建模。验证结果表明,该方法对EKF神经网络模型和UKF神经网络模型均有很好的改善作用,有效解决观测噪声不确定引起的Kalman神经网络模型发散问题,为采用Kalman神经网络建立噪声不确定动态工业过程的精确模型提供了一条有效途径。