智能语音转写平台的应用

本文论述了智能语音转写平台系统近年来的技术进步和发展,对SRT唱词系统进行了介绍,对语音识别技术以及智能语音转写平台系统中的一些关键问题及原理进行了分析和讨论。     

供水管网DMA优化分区设计方案

实施独立计量分区(district metered area,DMA)是辅助供水管网管理和漏损识别的重要手段.图划分算法是进行DMA分区的方法之一,常规图划分算法应用中,存在解空间受限、分区后原水流状态易发生较大改变、形成较多串联分区(对流量计算不利)的缺点.在常规图划分算法基础上进行了改进:粗化阶段按照特定规则匹配、合并非输水干管两端的节点,形成简化的管网拓扑结构;分区阶段得到管网初步分区方案;细化阶段提出基于贪心算法、枚举算法、蒙特卡洛算法的分区调整方法,结合改进的仪表安置方法、水力模拟、优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS),对分区方案进行调整.将该方法应用于YX市供水管网,成功进行了分区.     

人体步态差异性的参数化辨识方法及应用

通过对下肢3 个关节步态曲线建立具有共性控制点的数学模型,提出了以个体的局部形状参数作为区别同一关节中不同曲线的方法.实验采用Perception Neuron 动作捕捉系统,对正常组10 名健康男性青年,验证组2 名健康和3 名处于不同康复期的右腿踝关节损伤男性青年在正常步速下的步态数据进行实验测量以获得髋关节、膝关节和踝关节的上下位移轨迹曲线,并计算得出正常组步态曲线的局部形状参数作为判别步态正常与否的参考调整范围.经分析,验证组中健康被试者的局部形状参数大多属于该范围,而恢复较差的病人参数大多超出该范围,表明该参数化方法可有效辨别步态曲线差异,此外还可对康复评价的方法提供依据.     

一种基于深度学习的智能威胁评估算法

在现代信息化战争中依据战场态势变化进行合理威胁评估，对实现指挥系统自动化具有重要意义。为了克服传统规则算法评估能力的局限，设计了一种基于深度学习的新型智能威胁评估算法。首先设定了防空威胁评估指标选取原则，在此基础上从多个不同角度出发建立了反映空中目标威胁的指标体系，然后构建深度神经网络模型予以解决。新算法的优点在于威胁评估快速可信、易于实现，且对于不断变化的空情威胁可进行持续更新优化。最后，通过典型作战场景的仿真数据验证了模型的有效性和可行性。     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。     

电商平台产品共同购买网络的影响因素研究

共同购买网络的推荐系统应用越加广泛，仅基于网络内生结构变量研究其共同购买链接的经济意义已有局限，故加入网络口碑这一外生变量，进行更全面的分析。采用了社会网络方法中指数随机图模型进行建模，主要围绕产品销售量、产品入度、差评率和评论数4个方面因素，探究其对共同购买网络中共同购买链接形成的影响。结果显示，销售量、产品入度和评论数对共同购买链接形成的影响呈正比关系，而差评率则会显著地降低产品共同购买的几率。该指数随机图构建出的共同购买网络为在线电商平台管理网络口碑和推荐系统优化设计提供有益参考。     

丝竹滤料滤池去除尾水中的氮素污染物效果及特性研究

以尾水为研究对象，构建了以丝竹为滤料的反硝化滤池，对比研究了曝气充氧、缺氧和补充碳源3种工况条件下脱氮效果和特性。结果表明：缺氧工况下COD、氨氮、TN去除率分别达到4.50%、6.35%、17.46%，补充碳源工况下COD、氨氮、TN去除率分别达到73.54%、20.41%、23.97%（最高达66.04%），补充碳源工况处理效果更优，曝气充氧工况下脱氮效果最差。补充碳源工况下微生物菌群以变形菌门、酸杆菌门、放线菌门和拟杆菌门等为主，其中有大量的能降解丝竹纤维素、转化分解含氮污染物的微生物。     

基于改进Faster R-CNN及YOLO的大角度车牌识别算法

随着大数据时代的到来,智慧城市等一系列概念的提出,人工智能开始在城市各个角落得到广泛应用。其中,车牌识别作为城市道路交通重要的一环,也取得了重大突破。基于深度学习的车牌识别一经提出,各类算法应用于车牌检测及识别上,对比于传统的车牌识别,大大提高了识别的速率和准确率。然而,在非限制条件下,如大角度车牌识别准确率仍有提升的空间。提出了一种改进的FasterR-CNN与YOLO的深度学习车牌识别算法,将对大角度下的车牌识别准确率达到了99.7%。由于是轻量型的框架,为后续的移动设备部署工作提供了便利。