利用LSTM网络和课程关联分类的推荐模型

在线学习课程数量庞大,存在明显的信息过载问题,个性化智能推荐是解决这一问题的有效方式。根据学习者所学习的课程往往具有时间序列性这一特点,提出了基于LSTM网络的在线课程推荐模型。从大量学习者所学习的课程序列中提取学习行为特点,进而预测学习者将要学习的课程。该算法是基于课程之间的时序性而提出的,因此按照课程之间关系的紧密程度将课程分类后推荐的准确率更高。由于在线课程不断更新,人工维护课程分类的工作量较大,同时分类也不够科学,利用GSP算法和谱聚类算法,挖掘出课程间隐藏的时序联系,提出了更合理的课程自动分类方法。实验结果证明,与传统的协同过滤算法以及基于RNN的课程推荐算法相比,该算法推荐准确度更高。     

下一代网络语音服务

语音服务在下一代将如何交付?为了支持语音服务的网络将如何整改?     

基于LSTM的风洞设备健康状态评估方法研究

针对风洞设备健康状态评估中特征提取困难、量化算法复杂等问题,提出了一种基于深度学习的健康度评估方法,利用正常状态样本数据训练LSTM编解码器网络并构建特征空间,利用测量数据特征向量与特征空间的欧氏距离衡量健康状态的退化程度,从而高效地实现了系统或设备的健康状态量化评估;经风洞试验室轴流风机转子不平衡故障、长轴轴承裂缝故障等两个数据集进行验证,取得了与设备工作状态一致的健康度评估值,具有很强的工程应用价值。     

基于LSTM的DGA域名检测算法研究与应用

随着互联网技术的快速发展,网络服务于各类行业,域名数量与日俱增的同时恶意域名的检测也变得愈来愈困难且更加重要.恶意服务常利用域名生成算法(DGA)逃避域名检测,DGA域名常见于一些僵尸网络和APT攻击中,针对DGA域名可以轻易地绕过传统防火墙和入侵检测设备、现有方法检测速度慢、实用性不强等问题,采用深度学习技术,基于L...     

基于深度置信网络的语音活性检测算法的改进

为了更好地运用深度置信网络（ DBN）进行语音活性检测（ VAD）,针对现有方法过于繁杂的问题,提出采用语音频谱作为深度置信网络的输入的改进算法。在Matlab环境下使用TIMIT语料库进行仿真实验,实验结果验证了该方法的有效性,并且在Babble噪声环境下验证该方法比现有方法具有更高的检测正确率。     

用于情感分类的双向深度LSTM

对商品、电影等的评论的体现人们对商品的喜好程度,从而为意向购买该商品的人提供参考,也有助于商家调整橱窗货品以取得最大利润。近年来,深度学习在文本上强大的表示和学习能力为理解文本语义、抓取文本所蕴含的情感倾向提供了极好的支持,特别是深度学习中的长短记忆模型(Long Short-Term Memory,LSTM)。评论是一种时序数据形式,通过单词前向排列来表达语义信息。而LSTM恰好是时序模型,可以前向读取评论,并把它编码到一个实数向量中,该向量隐含了评论的潜在语义,可以被计算机存储和处理。利用两个LSTM模型分别从前、后两个方向读取评论,从而获取评论的双向语义信息;再通过层叠多层双向LSTM来达到获取评论深层特征的目的;最后把这个模型放到一个情感分类模型中,以实现情感分类任务。实验证明,该模型相对基准LSTM取得了更好的实验效果,这表示双向深度LSTM能抓取更准确的文本信息。将双向深度LSTM模型和卷积神经网络(Convolutional Neural Network,CNN)进行实验对比,结果表明双向深度LSTM模型同样取得了更好的效果。     

基于堆叠式双向LSTM的心电图自动识别算法

针对日趋增长的心电图数据分析需求,提出了一种新的心电图分类算法。首先对原始数据进行截断固定长度、样本均衡、求取信号的瞬时频率和光谱熵等预处理操作,数据经过预处理后模型能够更好地从其中提取特征进行学习;在训练过程中采用两个双向LSTM(BILSIM)网络堆叠组成的模型,堆叠式的双向LSTM(BILSIM)模型是一种改进的循环神经网络模型,相较于卷积神经网络,循环神经网络更加适合用来处理像心电图这样的序列数据。该模型在Windows下的MATLAB2018b上进行训练和测试,CUDA版本为9.0,采用分类准确率作为衡量模型性能的指标在两个数据集上进行了测试,一个是2017年生理信号挑战赛的数据(下文简称2017数据集),该模型在此数据集上最终分类准确率为97.4%;另一个是2018年生理信号挑战赛的数据(下文简称2018数据集),最终的分类准确率为77.6%,并在所属的MATLAB组获得了第三名的成绩。该算法与传统LSTM网络的结果相比,在2017数据集上提升了5.6%的准确率,在2018数据集上提升了7.6%的准确率;与单层的双向LSTM网络的结果相比,在2017数据集上提升了4.2%的...     

基于深度残差网络的语音隐写分析方法

针对目前以WAV格式语音为载体的最低有效位(LSB)隐写方法的检测性能较低的问题,提出了一种基于深度残差网络的语音隐写分析方法.首先,通过多组高通滤波器组成的固定卷积层来计算输入语音信号的残差信号,并利用截断线性激活单元对得到的残差信号进行截断操作;然后,通过卷积层与设计的残差块的堆叠来构建深度网络,以提取深层次的隐写...     

基于组合DNN的语音分离方法

近年来,随着深度学习的发展,深层模型被越来越多的学者用于语音分离.其中,以深度神经网络(Deep Neural Networks,DNN)为代表的深度学习在语音分离领域表现出了强大的优势.为了更好的提高目标语音的质量,我们提出一种基于组合DNN的语音分离方法(CE_DNN).首先把两种不同的训练集放入DNN中进行训练,得到了两种不同参数的DNN训练模型,然后将测试数据放入两种训练模型后得到的输出结果进行结合,并且将不同类型的噪声与纯净语音进行混合,再配以噪声的不同输入信噪比进行试验.实验结果表明,与DNN语音分离系统相比,CE_DNN不仅可以很好的提高理想二值掩蔽(IBM)中的HIT-FA指标(命中率-误报率),还可以提高语音目标的短时客观语音可懂度(STOI).     

基于网络性能的VoIP语音质量评价模型

在VoIP应用中,为了实现服务质量的监测和路径切换,通常需要测量路径的网络性能,并将网络性能映射到语音质量评价.本文提出一种基于网络性能的VoIP语音质量评价模型,该模型在E-Model的基础上进行了改进,只考虑网络性能的动态变化对语音质量的影响.新的模型考虑更少的影响因素,比E-Model更容易计算,因此更适用于VoIP系统的语音质量评价.通过实验比较了新的模型和简单的网络参数评价模型,结果显示该模型具有更好的语音质量描述能力.     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

Stock-Price Forecasting Based on XGBoost and LSTM

Using time-series data analysis for stock-price forecasting (SPF) is complex and challenging because many factors can influence stock prices (e.g., inflation, seasonality, economic policy, societal behaviors). Such factors can be analyzed over time for SPF. Machine learning and deep learning have been shown to obtain better forecasts of stock prices than traditional approaches. This study, therefore, proposed a method to enhance the performance of an SPF system based on advanced machine learning and deep learning approaches. First, we applied extreme gradient boosting as a feature-selection technique to extract important features from high-dimensional time-series data and remove redundant features. Then, we fed selected features into a deep long short-term memory (LSTM) network to forecast stock prices. The deep LSTM network was used to reflect the temporal nature of the input time series and fully exploit future contextual information. The complex structure enables this network to capture more stochasticity within the stock price. The method does not change when applied to stock data or Forex data. Experimental results based on a Forex dataset covering 2008–2018 showed that our approach outperformed the baseline autoregressive integrated moving average approach with regard to mean absolute error, mean squared error, and root-mean-square error.     

基于正交参数优化的LSTM结构变形预测模型

随着社会经济的蓬勃发展,地铁、隧道、桥梁等大型建筑的需求也越来越大.通过对结构变形数据的分析与预测,可以判断结构未来的发展趋势,对安全隐患提前预警和采取应急措施,预防灾害的发生.由于变形监测数据通常具有不稳定性和非线性的特点,使得监测数据预测成为结构监测研究中的一个难题.针对结构变形预测模型存在的问题,本文提出了一种基于正交参数优化的长短时记忆网络（LSTM）结构变形预测模型.该模型通过LSTM网络结构获得时间序列的长期记忆,充分挖掘变形数据的内部时间特征;并通过正交试验对LSTM模型的参数进行优化;最后通过实测数据对模型进行验证,实验结果表明,模型预测值与实际监测值吻合较好.通过与WNN、DBN-SVR和GRU模型相比,平均RMSE、MAE和MAPE分别降低了56.01%、52.94%和52.78%,本文提出的基于正交参数优化的LSTM结构变形预测模型是一种有效的结构沉降方法,为结构安全施工以及运营的安全提供可靠信息,对确保结构安全具有重要意义.     

基于一维卷积循环神经网络的深度强化学习算法

针对现有深度强化学习算法在状态空间维度大的环境中难以收敛的问题,提出了在时间维度上提取特征的基于一维卷积循环网络的强化学习算法;首先在深度Q网络(DQN,deep Q network)的基础上构建一个深度强化学习系统;然后在深度循环Q网络(DRQN,deep recurrent Q network)的神经网络结构基础上加入了一层一维卷积层,用于在长短时记忆(LSTM,long short-term memory)层之前提取时间维度上的特征;最后在与时序相关的环境下对该新型强化学习算法进行训练和测试;实验结果表明这一改动可以提高智能体的决策水平,并使得深度强化学习算法在非图像输入的时序相关环境中有更好的表现。     

片上网络中服务质量的研究

随着半导体技术的发展,芯片设计者已经能够采用网络互连的方式将不同的IP核连接起来--片上网络(Network on Chip).随着更多的实时性业务在片上网络中的出现,服务质量就成为片上网络设计中必须考虑的一个因素.用于提高片上网络服务质量的模型主要有面向连接、非连接及混合交换的网络模型.本文从资源、网络性能提高等方面对它们进行对比分析,并给出具体的片上网络的应用实例,为以后片上网络的设计提供参考.     

基于门控网络的军事装备控制指令语音识别研究

军事装备无感控制是军事装备智能化建设进程中的一个重要研究方向,其中语音控制技术作为无人装备无感控制手段的关键组成部分,受到了越来越多的重视.为完成军事装备语音控制任务,设计一种基于门控网络的中文语音识别网络,并构建军事装备控制指令数据集,实现基于控制指令语音识别技术的军事装备控制.在传统卷积神经网络的结构基础上引人深度...     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

分析计算机网络服务质量优化方法

随着科学技术的不断发展,计算机逐渐走进了千家万户,并且在社会各个领域中得到了广泛应用,同时互联网逐渐成为了人们的主要通信方式.而在网络达到一定程度的拥挤之后,就会出现很多网络服务质量问题,为此,需要对计算机网络服务质量优化方法进行研究,为确保计算机网络服务质量提供可靠保障.     

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。