加权信息熵与增强局部二值模式结合的人脸识别

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题，提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE （w） ATR-LBP）。首先，从原始人脸图像分块提取信息熵，得到每个子块的IEw；然后，利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图；最后，将各个块的IEw与概率直方图相乘，再串联成为原始人脸图像最后的特征直方图，并利用支持向量机（SVM）对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上，IE （w） ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上，IE （w） ATR-LBP方法的最大识别率为99.85%；而且在ORL人脸库5次不同训练样本的实验中，与无噪声时相比，加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明，IE （w） ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率，尤其是存在表情变化及脉冲类噪声干扰时的识别率。     

基于深度学习的靶蛋白药物重定位研究

笔者提出的靶蛋白药物重定位算法,是十折交叉验证算法思想在医药学领域的一个应用。不同于以往交叉验证算法应用的验证思想,十折交叉验证算法,可以独立应用于药物重定位研究,利用蛋白质相似性构建数学模型进行相似性量化。基于蛋白质相似性的蛋白质-药物作用预测方法,是交叉验证衡量参数和阈值提取的方法。基于此,对该方法的应用前景做了大致推测,并提出了该方法的局限性和改进策略。     

基于二维深度卷积网络的旋转机械故障诊断

针对旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种短时傅里叶变换和二维深度卷积网络相结合的故障诊断方法。首先对旋转机械振动信号进行短时傅里叶变换,得到时频图;接着将时频图输入到二维深度卷积网络中进行识别,得到最终分类结果。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在凯斯西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了较好效果,正确率优于将时域信号直接输入到经典CNN中,验证了该方法的优越性。     

基于深度学习的电子商务语音客服中的客户情感研究

为了适应语音客户机器人根据客户情感开展高效服务的需求，研究了提高客户语音情感的识别率方法。首先从电话客服服务器录音中剪辑片段建立了CASIA中文多模态自然情感语料库，给出了14种主要情感和13种非典型的情感类型。其次建立了一个较大规模自然口语风格的汉语疑问语气语料库，并进行了单句、音节层面的韵律层级标注工作。最后采用线性融合韵律特征、梅尔频率倒谱特征的方法对汉语疑问语气、陈述语气进行分析，把整句的基频最大值、最小值也作为区分疑问、陈述语气的特征。实验结果表明，融合后的识别率较融合前平均提高了16%。     

信息通信时代的专业期刊 《广东通信技术》读者反馈表

我们尊重您的宝贵意见亲爱的读者信息通信时代的专业期刊《广东通信技术》、由广东通信学会和广东省电信情报中心站联合主办。置身通信产业波澜壮阔的变革下的《广东通信技术》正向综合类通信期刊转型,以全新的视角关注通信前沿技术、市场热点和经营理念。《广东通信技术》在继续发表通信产业优秀学术论文的基础上,逐步加大对市场类、管理类等深度分析文章的发表,贴近企业、市场的需要,满足读者的需求。通过此表,我们将了解、发现并不断满足您的需求。传真、寄回反馈表,你将有机会获赠精美礼品!感谢您对《广东通信技术》的支持!     

征稿启事

应广大读者及作者要求,为了创造一个良好的学术展示和交流平台,本刊特开设"学术"栏目,内容包括国内最新纺织科研成果,学术理论探讨,新技术、新产品、新设备的开发等,欢迎踊跃投稿!《纺织科学研究》杂志(月刊)创刊于1984年,是国家级期刊,由中国纺织工业联合会主管,中国纺织科学研究院有限公司主办。本刊充分体现差异化、深度化、视觉化,力求打造富有科学内涵、具有时代精神的权威期刊。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

低碳醇分子在煤表面的吸附模型研究

煤的醇解可以提高煤的渗透性和润湿性,对煤的浮选以及地下气化都有重要意义。通过测定3种低碳醇分别与煤相互作用过程中吸附量、接触角与微量热的变化,分析了低碳醇分子在煤表面的吸附机理,得到了低碳醇在煤表面的吸附模型。