编码器-解码器模型合成汉英语码转换文本

为了解决汉英语码转换文本数据稀缺的问题，本文提出了基于编码器-解码器模型合成语码转换文本的方法，从有限的语码转换文本与大量单语种平行语料中学习语码转换语言学规则与语种内部的语言学规则，来合成语码转换文本。但是该模型合成的语码转换文本自然度低，因此本文又提出基于带复制机制的编码器-解码器模型合成语码转换文本的方法，在编码器-解码器的基础上，增加了一个门控，用来决定从编码器的预测结果还是从编码器的输入源文本中产生下一个词。最终，该方法使语言模型在SEAME测试集上的困惑度降低了绝对13.96。由此可得出结论，本文提出的方法可大规模地合成自然度高的语码转换文本，缓解语码转换文本数据的稀缺性。      

面向口语统计语言模型建模的自动语料生成算法

在资源相对匮乏的自动语音识别(Automatic speech recognition, ASR)领域, 如面向电话交谈的语音识别系统中, 统计语言模型(Language model, LM)存在着严重的数据稀疏问题. 本文提出了一种基于等概率事件的采样语料生成算法, 自动生成领域相关的语料, 用来强化统计语言模型建模. 实验结果表明, 加入本算法生成的采样语料可以缓解语言模型的稀疏性, 从而提升整个语音识别系统的性能. 在开发集上语言模型的困惑度相对降低7.5%, 字错误率(Character error rate, CER)绝对降低0.2个点; 在测试集上语言模型的困惑度相对降低6%, 字错误率绝对降低0.4点.     

深度学习在水下目标被动识别中的应用进展

近年来,随着深度学习方法在理论上取得一系列突破性进展,其展现出相对于传统机器学习方法的明显优势。在实际应用方面,深度学习借助其出色的特征学习能力,首先在语音和图像领域取得巨大成功,并迅速引起其他领域研究者们的重点关注。本文对现阶段深度学习在水下目标被动识别领域中的国内外研究进展和应用情况进行梳理总结,包括水下目标被动识别中常用的深度神经网络结构、深度学习对特征提取环节产生的影响以及数据匮乏条件下的建模方法。针对实际应用场景所面临的挑战,本文对未来一些可能的研究方向进行了展望,供广大研究人员参考借鉴。