基于参数迁移和C-LSTM的说话人识别研究

在说话人识别研究中,现有的深度学习方法大多只考虑了语音的空间特征或时序特征,且模型训练时间长、识别准确率低。语谱图是语音信号转换后在时频两域均具有独立特征的特殊图像。为了充分提取语谱图时频两域的情感特征,结合卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的特点,提出了一种基于参数迁移和C-LSTM的说话人识别方法。该方法以语谱图作为网络输入,利用CNN进行训练得到预训练模型并迁移参数,之后将CNN输出的特征矩阵进行转换后输入LSTM进行训练。实验结果表明,该方法提高了声纹识别的准确率,并加快了网络的收敛速度。     

中文长短期记忆网络的情感分析

文中探讨了循环神经网络（RNN）在文本情感分析中的应用,并提出了一种新的混合模型——LSTM-CNN文本情感分析模型,它融合了长短时记忆网络（LSTM）和卷积神经网络（CNN）的优势,可以更好地处理文本数据中的上下文信息和局部特征。为了验证模型的有效性,文中使用开源爬虫工具抓取了《流浪地球2》的豆瓣评论构建数据集,然后对所提模型进行了训练和测试。结果表明,当词向量维度为100时,模型的性能达到最优,此时的精确率、召回率、F1值和准确率分别为84.2%,88.6%,86.2%和90.0%,证实了该模型在文本情感分类任务上的优越性。     

基于长短期记忆网络的重力测量误差补偿法

针对捷联式海空重力仪开展初始误差补偿研究,重力仪开机后其数据存在一个逐渐稳定的过程,估计出初始段的不稳定值与稳定值间的误差,实现重力数据误差补偿。该文提出了长短期记忆网络法,该方法可通过不断学习现有数据后高精度地预测未来数据变化。经过实测重力测量数据验证了该方法具有很好的误差补偿效果,提高了重力测量数据的准确性和有效性。实验结果表明,对于重力数据初始段测量误差抑制效果超过90%,对于捷联式海空重力仪作业运行效率具有重要价值。     

基于长短期记忆网络的人体运动识别研究

文章提出一种基于长短期记忆网络的人体运动状态识别方法。通过手机内置的加速度传感器采集相关数据,对采集的数据进行预处理,采用LSTM算法对人体运动状态进行分类。此算法不需要人工进行特征提取,在TensorFlow环境下的实验结果显示,此算法分类精度较高,对静止、走路、慢跑、上楼梯、骑车5种运动状态的识别率超过90%。     

基于长短期记忆网络的客流预测模型研究

针对密集场所客流状况复杂,难以准确预测流量的问题,提出一种基于长短期记忆网络的客流监测及预测模型。该模型使用长短期记忆网络作为特征提取器,并结合注意力机制,能够较好地识别和利用历史流量中的长期依赖特征。模型整体上采用端到端的方式搭建,部署上更为灵活。在实际工作中,采用离线训练、在线预测的工作方式确保客流及监测系统的实时性。目前,该模型已经成功地用于上海市城市开放场所客流聚集风险监测系统。     

基于GMM-UBM模型的说话人辨识研究

为了进一步提高基于传统的GMM模型的说话人辨识的识别率,引入了GMM-UBM模型,并且在特征提取方面采用多种特征参数组合来代替单一特征参数,以提高有效特征维数来弥补特征样本的不足,同时在说话人辨识的端点检测部分,用基于MFCC相似度和谱熵的端点检测方法来代替传统的基于短时能量和过零点的方法,以解决其对含噪语音检测不准确而影响说话人辨识的问题。实验表明,与传统的GMM模型相比,GMM-UBM模型能够有效地提高说话人辨识的性能,并且使用组合特征参数和利用基于MFCC相似度和谱熵的端点检测方法都可以进一步提高说话人辨识的性能。     

基于说话人分类技术的分级说话人识别研究

识别正确率和抗噪性能固然是说话人识别的研究重点,但识别响应速度也是决定系统实用化的关键所在.本文成功地提出了基于说话人分类技术的分级说话人辨识方法,极大地提高了系统运行速度,随着注册说话人数的增多,较之传统的说话人辨识方法,其优势更加明显.同时在说话人确认中,该方法的使用,进一步提高了确认的正确率,有效地降低了错误接受和错误拒绝率.本文提出的可信度打分方法,也一定程度上改进了系统的性能.实验表明:基于说话人分类技术的说话人辨识方法使系统的运行速度平均提高了3.5倍,对说话人确认等误识率和最小误识率平均下降了53.75%.     

基于联合注意力机制和一维卷积神经网络-双向长短期记忆网络模型的流量异常检测方法

针对流量数据集中类别不平衡限制了分类模型对少数类攻击流量的检测性能这一问题,该文提出一种基于联合注意力机制和1维卷积神经网络-双向长短期记忆网络(1DCNN-BiLSTM)模型的流量异常检测方法。首先在数据预处理过程中利用BorderlineSMOTE方法对流量数据不平衡训练样本预处理,使得各类流量数据均衡,有助于后续模型对各类数据的充分训练。然后设计联合注意力机制和1DCNN-BiLSTM的模型对流量数据进行训练,提取流量数据的局部和长距离序列特征并进行分类,通过注意力机制将对分类有用的特征按其重要性赋予权值,提高对少数攻击类的检出率。实验结果表明,同几种现有方法相比,该文方法对NSL-KDD和CICIDS2017数据集的检测准确率最高(可达93.17%和98.65%),对NSL-KDD数据集中的提权攻击(U2R)攻击流量的检出率至少提升13.70%,证明了该文方法提升少数类攻击流量检出率的有效性。     

基于卷积神经网络的法庭说话人识别研究

传统的法庭说话人识别方法存在对语音数据建模能力差、特征提取难以及容易受噪声干扰影响等问题,为了改进这些问题,提出一种基于卷积神经网络的法庭说话人识别方法.该方法以AlexNet网络为基础进行参数调整,为了弥补ReLU函数作为激活函数时易出现神经元坏死和偏移的现象,融合Tanh和ReLU函数的特性,构造一种新的TR函数作为网络的激活函数.同时,为了避免人工提取语音特征的主观性和不全面性,在实验中将语音转换成声纹图作为网络输入.实验结果表明,激活函数为TR函数时,该方法在法庭说话人识别数据集的准确率达到了92.24％,在花朵图像公开数库的准确率达到了96.13％,效果均好于Tanh和ReLU函数.     

基于改进语谱图的深度学习说话人识别

为了提高说话人识别系统的性能,提出基于改进语谱图的深度学习说话人识别算法。语谱图当中包含了语音的内容、情绪、语种以及说话人身份等多种信息,在以往的说话人识别算法中,往往没有考虑到说话人身份特性,采用直接提取语音中的语谱图作为网络输入,而说话人识别系统中需要提取语谱图中表征身份的信息,因此需要在原始语谱图的基础上进行改进。在语谱图中,基音频率以及共振峰等信息最能表现说话人的身份特征,从而提出根据语音信号中每一帧的基音频率进行自适应梳状滤波,得到改进后的语谱图,再通过卷积神经网络提取说话人特征,从而达到提升识别准确率的效果。网络模型采用MobileNetv2神经网络,该网络模型具有模型参数少、收敛速度快、识别速度快等优点,有利于实际应用。在对照实验结果中,该方法相对于原始语谱图的准确率分别提高了2.3%、5.2%、3%。     

基于长短期记忆生成对抗网络的小麦品质多指标预测模型

小麦多生理生化指标变化趋势反映了储藏品质的劣变状态,预测多指标时序数据会因关联性及相互作用而产生较大误差,为此该文基于长短期记忆网络(LSTM)和生成式对抗网络(GAN)提出一种改进拓扑结构的长短期记忆生成对抗网络(LSTM-GAN)模型。首先,由LSTM预测多指标不同时序数据的劣变趋势;其次,根据多指标的关联性并结合GAN的对抗学习方法来降低综合预测误差;最后通过优化目标函数及训练模型得出多指标预测结果。经实验分析发现：小麦多指标的长短期时序数据的变化趋势不同,进一步优化模型结构及训练时序长度可有效降低预测结果的误差;特定条件下小麦品质过快劣变会使多指标预测误差增大,因此应充分考虑储藏期环境变化对多指标数据的影响;LSTM-GAN模型的综合误差相对于仅使用LSTM预测降低了9.745%,并低于多种对比模型,这有助于提高小麦品质多指标预测及分析的准确性。

     

基于长短期记忆网络和随机矩阵的输电线路故障智能识别方法

由于可再生能源发电大量并入电网使输电线路潮流的不确定性增大,因而使输电线路发生故障的几率增大,故障类型、特征呈现日趋多样性。对此,基于长短期记忆网络和随机矩阵提出了一种输电线路故障智能识别方法。针对可再生能源发电的随机性特征,提出了基于随机矩阵理论的输电线路故障时刻确定方法;在此基础上,给出了大样本故障随机矩阵的学习训练形成方法;进而,基于长短期记忆网络进一步识别输电线路的故障类型;最后,以某实际输电线路为例进行验证,表明了所提方法的有效性。     

基于说话人聚类和高斯混合模型的语言辨识研究

本文给出了一种语言辨识的新方法。通常来讲,语言辨识系统是说话人无关的,但说话人的个体特征对语言辨识系统有很大的影响,文本采用了一种粗分类精识别的思想,利用说话人聚类技术有效解决了粗分类的问题,对每类相近说话人集合建立模型,然后进行识别。实验表明,该方法对于说话人无关的语言辨识问题是有效的。     

基于长短期记忆神经网络的短期负荷预测

准确的电力负荷预测是电力系统安全、稳定、经济、优质运行的前提,负荷预测的本质是通过历史数据对未来负荷情况做出预先估计。电量的快速增长和用户的多元化对负荷预测提出了更高的要求。文中提出了一种基于长短期记忆网络的负荷预测方法,利用长短期网络数据驱动和对时间序列建模强的特点,对于含非线性、不确定性的系统,提取其负荷数据中的周期特征,具有较强的自适应性。以真实数据为算例,验证了方法的有效性。     

基于长短期记忆网络的电网概率潮流计算及态势感知

可再生能源发电大量地并入电力系统发输配用各个部分,使配电网呈现主动性,由于电力系统发电的随机性、波动性特点,使潮流大小无法准确预估。对此,提出了基于长短期记忆网络的电网概率潮流预估及态势感知方法。在前人研究的基础上,提出了风力发电、光伏发电、需求侧负荷、电动汽车充电、发电机组的功率概率模型;进一步,基于Nataf方法将多种概率模型进行去相关标准正态分布变换,实现发电负荷的统一;然后,建立了多方协调互补、成本最小的概率调度模型,并使用长短期记忆网络进行概率潮流求解;最后,以某实际电网为例,对所提算法进行验证比较,证明了所提方法的有效性。     

全时空量测环境下基于双向长短期记忆网络的电力物联网损耗计算

针对泛在电力物联网新能源发电和传统电源混合、主动负荷与被动负荷共存导致电网损耗不断升高的问题,在全时空量测环境下,基于双向长短期记忆网络方法,提出了泛在电力物联网损耗计算方法。首先,基于传统B系数法,提出了最小二乘有功无功B系数法损耗计算模型;其次,在全时空量测环境下,提出了随时空滚动的最小二乘有功无功B系数法损耗计算及误差大数据;第三,基于人工智能中的双向长短期记忆网络方法,以预测负荷、最小二乘有功无功损耗计算、误差大数据作为输入,预测物联网的损耗。最后,以实际电网为例进行验证,表明了所提方法的有效性。