结合Transformer的轻量化中文语音识别

近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用深度可分离卷积获得音频特征信息;其次构建了双半步剩余权重前馈神经网络,即Macaron-Net结构,并引入低秩矩阵分解,实现了模型压缩;最后使用稀疏注意力机制,提升了模型的训练速度和解码速度。为了验证模型,在Aishell-1和aidatatang_200zh数据集上进行了测试。实验结果显示,所提模型与Open-Transformer相比,所提模型在字错误率上相对下降了19.8%,在实时率上相对下降了32.1%。     

结合l1/2范数与显著性约束的背景减除

传统背景减除模型在背景静止和前景对象移动较快时提取到的前景效果较好,但当背景变化或前景对象移动缓慢时容易将动态背景误判为前景或检测出的前景有较多空洞。针对传统背景减除模型在动态背景和前景对象移动缓慢条件下存在前景检测精度下降的问题,提出一种基于l_1/2范数与显著性约束的背景减除模型。将观测数据分为低秩背景、运动前景和动态干扰3类,利用l_1/2范数约束运动前景加强前景稀疏性,有效抑制动态背景对前景提取造成的干扰,提高运动前景在动态背景中的检测精度。引入视频每一帧的显著性约束,通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标。实验结果表明,该模型对于复杂场景具有较强的适应能力,可有效去除动态背景对前景的干扰,快速检测出移动缓慢的前景对象,相比于l_1/1/2-RPCA背景减除模型的平均查全率、查准率和调和平均值分别提升了9、14和10个百分点。     

基于边信息的高光谱图像恢复模型

在高光谱图像(HSI)恢复中,如何在模型中有效嵌入先验信息和正确建模噪声一直是研究的两个重点.边信息作为一种基于域的先验知识已经在许多方向取得了成功,然而在高光谱去噪领域仍未受到关注.为了将这种领域知识与高光谱恢复模型自然耦合,提出的方法采用双线性映射的方式将边信息链接到表示观测数据潜在低秩结构的底层矩阵,并使用E-3DTV(enhanced 3-D total variation)正则编码了HSI局部平滑先验.此外该方法使用Lp范数进行噪声建模,进一步增强对腐败的鲁棒性.该方法在两个数据集、七种加噪方式下与五种竞争方法在三个数值指标上进行了比较,结果充分反映了提出方法对复杂噪声场景的有效性和鲁棒性.     

基于鉴别性低秩表示的2阶段人脸识别算法

针对图像训练样本中存在噪声等情况,提出一种基于鉴别性低秩表示的2阶段人脸识别算法。该算法第1阶段是对所有训练样本进行低秩处理,筛选出M类与测试样本最相近的样本用于粗分类;第2阶段使用第1阶段筛选出来的样本做鉴别性低秩表示处理,并使用稀疏线性表示进行精细分类,决定测试样本最适合的类标签。本算法结合了低秩算法与稀疏算法的优点,在标准人脸库上的实验表明本算法表现优越。     

多尺度分割先验迭代重加权低秩恢复显著性检测

目的 现有显著性检测方法大多只关注显著目标的中心信息,使得算法只能得到中心清晰、边缘模糊的显著目标,丢失了一些重要的边界信息,而使用核范数约束进行低秩矩阵恢复,运算过程冗余。为解决以上问题,本文提出一种无监督迭代重加权最小二乘低秩恢复算法,用于图像视觉显著性检测。方法 将图像分为细中粗3种尺度的分割,从细粒度和粗粒度先验的融合中得到分割先验信息;将融合后的分割先验信息通过迭代重加权最小二乘法求解平滑低秩矩阵恢复,生成粗略显著图;使用中粒度分割先验对粗略显著图进行平滑,生成最终的视觉显著图。结果 实验在MSRA10K（Microsoft Research Asia 10K）、SOD（salient object detection dataset）和ECSSD（extended complex scene saliency dataset）数据集上进行测试,并与现有的11种算法进行对比。结果表明,本文算法可生成边界清晰的显著图。在MSRA10K数据集上,本文算法实现了最高的AUC（area under ROC（receiver operating characteristic）curve）和F-measure值,MAE（mean absolute error）值仅次于SMD（structured matrix decomposition）算法和RBD（robust back ground detection）算法,AUC和F-measure值比次优算法RPCA（robust principal component analysis）分别提高了3.9%和12.3%;在SOD数据集上,综合AUC、F-measure和MAE值来看,本文算法优于除SMD算法以外的其他算法,AUC值仅次于SMD算法、SC（smoothness constraint）算法和GBVS（graph-based visual salieney）算法,F-measure值低于最优算法SMD 2.6%;在ECSSD数据集上,本文算法实现了最高的F-measure值75.5%,AUC值略低于最优算法SC 1%,MAE值略低于最优算法HCNs（hierarchical co-salient object detection via color names）2%。结论 实验结果表明,本文算法能从前景复杂或背景复杂的显著图像中更准确地检测出边界清晰的显著目标。     

基于低秩矩阵和字典学习的图像超分辨率重建

基于稀疏表示和字典学习的超分辨率重建算法没有对图像进行分解,直接将整幅图像的信息都进行了学习重建.由低秩矩阵理论知,可将图像分解成低秩部分和稀疏部分.根据图像各部分信息的特征分别用不同的方法进行超分辨率重建,将能更加有效地利用图像的特征.据此提出了一种基于低秩矩阵和字典学习的超分辨率重建方法.该方法首先通过对图像进行低秩分解得到图像的低秩部分和稀疏部分,图像的低秩部分保留了图像的大部分信息.算法只对图像的低秩部分通过字典学习的方法进行超分辨率重建,图像的稀疏部分则不参与学习重建,而是采用双三线性插值的方法进行重建.实验分析表明,图像的重建质量有所提升,同时减少了一定的重建时间,提升了算法的运行速度.与现有算法比较,在视觉效果、峰值信噪比、算法运行速度等方面均获得了更好的结果.     

CS2 extraction and FTIR & GC/MS analysis of a Chinese brown coal

The abundance of low-rank coals in China, such as bituminous and brown coals, makes studies of their composition and structure of great significance to both coal chemistry research and for efficient utilization of the coal. We describe how a Chinese brown coal was ultrasonically extracted with carbon disulfide (CS2) and the raw and extracted coals were characterized by Fourier Transform Infrared Spectroscopy (FTIR). The corresponding extract was analyzed with a coupled gas chromatograph mass spectrometer (GC/MS). The FTIR analysis shows a great abundance of amidocyanogen, carbonyl, aromatic and hetero aromatic rings and single carbon-heteroatom bonds. This suggests the possible occurrence of compounds like alcohols, phenols, amines, esters, carboxylic acids, ethers, aromatics or heteroaromatics. The GC/MS analysis of the CS2 extract detected 62 compounds, among which the non-polar ones were of lower abundance while the polar ones were in higher abundance and were structurally diverse. This demonstrates the compositional and structural complexity of Shengli coal.     

低阶煤煤泥油泡浮选技术研究

采用烃类油蒸发制造油气,将油气通入浮选柱气泡发生器的吸气口,生成油泡.对低阶煤煤泥进行油泡柱浮选试验,试验结果表明:油泡对低阶煤煤泥具有强捕收能力与高选择性,分选指标较好.将油泡浮选技术用于工业浮选柱分选,可有效降低浮选捕收剂用量,浮选泡沫层稳定,分选指标好.油泡浮选技术在低阶煤煤泥浮选提质中的应用,为低阶煤煤泥的资源...     

基于非凸低秩约束的图像修复方法

受传输干扰或存储不当等因素的影响,现实应用中获取的某些图像通常会存在像素缺失现象,这给图像的后续分析与处理带来了一定影响.解决该问题的常用方法是对图像进行低秩修复.利用低秩特性进行修复的方法大多以秩函数建模,由于矩阵秩函数是非凸离散的,该模型的求解是一个NP难问题,所以通常利用核范数对矩阵的秩进行凸松弛.但是,基于核范...     

煤基多级孔炭纳米材料的优化制备及性能表征

以低变质粉煤为原料,采用热解活化技术制备煤基多级孔炭纳米材料(CCNM),利用统计学预测分析软件(JMP)设计优化制备实验的正交阵列,主要因素包括煤直接液化残渣(DCLR)的添加量(A)、热解过程升温速率(B)、热解终温(C)和原料粒度(D),每个因素选取三个水平。采用响应面分析法对CCNM的碘吸附值和抗压强度进行评估,确定最佳优化条件为A1B3C1D2,影响因素按显著性由大到小的顺序为CABD,碘吸附值的预测公式为m I=258.26-33.22 x 1-34.88x 2+28.12x 21+1.92x 1x 2+34.12x 22,预测碘吸附值最高为390.51 mg/g,三组平行验证实验测定的碘吸附值平均为394.69 mg/g,实验值与预测值吻合良好。对优化条件下制备的CCNM进行性能表征,材料呈多孔结构;通过图像处理,统计得到孔隙率在40%以上;碘吸附值为398.22 mg/g,抗压强度为4.12 MPa,比表面积为146.181 m 2/g,总孔容为0.0534 cm 3/g,中孔率为71.10%,孔径主要分布在1.5 nm^100 nm,平均孔径为5.254 nm,表明CCNM是一种包含微孔、中孔和大孔的多级孔炭纳米材料。