基于残差网络和循环神经网络混合模型的应用层协议识别方法

针对现有协议识别方法无法有效提取协议数据的时间和空间特征导致协议识别准确率不高的问题,提出了一种基于一维残差网络和循环神经网络的应用层协议识别方法。所构造的协议识别模型由一维预激活残差网络(PreResNet)和双向门控循环神经网络(BiGRU)组成,利用一维PreResNet提取协议数据的空间特征,利用BiGRU提取协议数据的时间特征,在此基础上通过注意力机制提取与协议识别有关的关键特征来提高协议识别的准确率。所提方法首先从网络流量中提取应用层协议数据,对数据进行预处理,从而将其转化为一维向量;然后利用训练数据对分类模型进行训练,得到成熟的协议识别模型;最后用训练好的分类模型识别应用层协议。在公开数据集ISCX2012上进行测试实验,结果表明,所提协议识别模型的总体准确率为96.87%,平均F值为96.81%,高于对比的协议识别模型。     

基于语言特征和迁移学习的英语翻译机器人纠错系统研究

针对英语翻译机器人智能纠错需求，基于语言特征以及迁移学习，构建用于英语翻译机器人纠错系统的方法。其中，利用DNN-HMM声学模型搭建机器人语音识别模型，并以汉语语音识别为基础任务，通过迁移学习构建对应的英语语音识别系统。实验结果证明，使用训练共享隐层所有层的方法与仅使用英语数据进行基线系统训练的方法相比1 h训练集错误率下降了24.38%,20 h训练集错误率下降了4.73%,显著提高了系统的识别精度，对英语翻译机器人纠错性能有一定的提高。     

基于注意力机制的BiGRU战场目标意图判别

针对现代战场环境信息复杂化、多样化,战场目标具有隐蔽性、欺骗性等各种问题,提出一种基于双向门控循环单元(BiGRU)的战场目标意图识别方法。为了使网络更好的关注信息重点,提高目标意图识别的准确率,在BiGRU中加入了注意力机制,注意力机制可以使模型更加关注与预测结果有紧密联系的部分,忽略相关性不高的地方,同时采用Zoneout机制来减少网络过拟合。实验结果得出,结合注意力机制的BiGRU战场目标意图判别方法准确率高达97.1%,比基础GRU算法准确率提高12%。     

聊天机器人中用户就医意图识别方法

传统的聊天机器人中用户意图识别一般采用基于模板匹配或人工特征集合等方法,针对其费时费力而且扩展性不强的问题,并结合医疗领域聊天文本的特点,提出了基于短文本主题模型（BTM）和双向门控循环单元（BiGRU）的意图识别模型。该混合模型将用户就医意图识别看作分类问题,使用主题特征,首先通过BTM对用户聊天文本逐句进行主题挖掘并量化,然后送入BiGRU进行完整上下文学习得到连续语句最终表示,最后通过分类完成用户就医意图识别。对爬取的语料进行实验,BTM-BiGRU方法明显优于传统的支持向量机（SVM）等方法,其F值更是高出目前较好的卷积长短期记忆组合神经网络（CNN-LSTM）近1.5个百分点。实验结果表明,在本任务上该混合模型重点考虑研究对象的特点,能有效提高意图识别的准确率。     

基于视觉识别的智能翻译机器人人机交互系统研究

为提高智能翻译机器人人机交互的准确率，提出一种基于视觉识别的智能翻译机器人人机交互方法。方法通过采用Faster R-CNN模型提取视觉图像序列特征，并采用图结构表示提取的视觉图像序列特征，然后进行编码-解码，实现了智能翻译机器人的人机交互。仿真结果表明，所提方法提取的视觉图像特征具有较高的准确率，在ImageNet数据集上的准确率均超过80%,在MS COCO数据集上的准确率均超过70%;图结构表示准确率较高，达到80%以上。相较于基于SOTA模型和基于VLN模型的人机交互方法，所提方法无论是使用束搜索还是预搜索进行评估，其加权路径长度和错误率更小，成功率和路径长度加权成功率更高。指令匹配的成功率达到95.42%,识别准确率较高，提出方法具有一定的有效性和优越性，可用于实际智能翻译机器人人机交互。     

基于卷积神经网络的应用层协议识别方法

针对传统网络协议识别方法中人工提取特征困难以及识别准确率低等问题,提出了一种基于卷积神经网络（CNN）的应用层协议识别方法。首先,基于完整的传输控制协议（TCP）连接或用户数据报协议（UDP）交互划分原始网络数据,从中提取出网络流;其次,通过数据预处理将网络流转化为二维矩阵,便于CNN的分析处理;然后,利用训练样本集合训练CNN模型,自动化提取出网络协议特征;最终,基于训练成熟的CNN模型进行应用层网络协议的识别。实验结果表明,所提方法的总体协议识别准确率约为99.70%,能有效实现应用层协议的识别。     

基于云平台的智能语音交互机器人设计

现有的语音交互机器人多采用用户提问、机器人回答的单向交流方式,人机交互的智能性和灵活性较差.本文研究运用树莓派(Raspberry Pi)计算机和配套的语音板作为硬件载体,融合语音唤醒、语音识别、语音合成、自然语言处理等人工智能技术,调用科大讯飞开放云平台、在线图灵机器人,搭建一种基于云平台的智能语音交互机器人系统,并...     

融合注意力机制和BiLSTM的人机交互语言训练系统研究

为提高英语语言训练的准确性,提出一种基于注意力机制和BiLSTM的对话意图识别方法及系统。首先,构建人机交互对话语言训练系统框架;然后重点对系统中的自然语言理解模块和对话管理模块进行设计。其中,搭建基于融合注意力机制的语言理解模型,从而提高对语言意图识别的能力,提出基于槽框架和状态机的对话管理方法,以提高系统对话的灵活性和可扩展性;最后对构建的语言理解模型、对话管理方法及人机交互的语言训练系统进行测试。结果表明：基于融合注意力机制的英语课程训练语言理解模型对语义信息获取的准确率达到了96.1%;基于槽框架和状态机的对话管理方法适应性强、维护简单、可扩展性好;基于人机交互的语言训练系统所有功能模块都能正常运行,能满足英语自主训练的要求。     

融合注意力机制和BiLSTM的人机交互语言训练系统研究

为提高英语语言训练的准确性，提出一种基于注意力机制和BiLSTM的对话意图识别方法及系统。首先，构建本人机交互对话语言训练系统框架；然后重点对系统中的自然语言理解模块和对话管理模块进行设计。其中，搭建基于融合注意力机制的语言理解模型，从而提高对语言意图识别的能力，提出基于槽框架和状态机的对话管理方法，以提高系统对话的灵活性和可扩展性；最后对构建的语言理解模型、对话管理方法及人机交互的语言训练系统进行测试。结果表明：基于融合注意力机制的英语课程训练语言理解模型对语义信息获取的准确率达到了96.1%;基于槽框架和状态机的对话管理方法适应性强、维护简单、可扩展性好；基于人机交互的语言训练系统所有功能模块都能正常运行，能满足英语自主训练的要求。     

语音信息的身份和指令识别方法应用

针对智能机器人系统对语音交互功能的实际需求, 在DM-B200开放式机器人平台上,设计并实现了基于语音信息的说话人身份识别功能和语音指令识别功能. 为了准确识别特定说话人的身份, 采用了矢量量化的识别方法, 而为了提高机器人语音控制的实时性, 语音指令识别采用了动态时间规整的方法. 应用结果表明, 所设计的语音识别系统达到96%以上的综合识别率, 具有实际应用价值.     

基于语音识别的英语智能对话机器人人机交互系统设计

为进一步提升当前英语服务型机器人的人机交互效果，以语音识别为基本方法，提出一种英语智能对话人机交互系统。通过对交互系统的特征参数提取方法以及语音识别模型进行优化，同时结合对应的模块设计，一定程度上提升了交互系统的性能。仿真结果表明，与其他特征参数提取算法相比，本研究的LPMFCC特征参数提取算法的具有更高的识别率，达到了88.5%;与改进前的HMM模型相比，本研究提出的改进HMM模型能够更快完成训练且训练误差更低，仅需4次训练即可完成训练。以上结果表明了本研究提出的英语智能对话人机交互系统能够取得具有良好的性能，能够取得较好的人机交互效果，对于实际的设计具有一定的参考价值。     

基于BiLSTM的智能语音餐厅推荐方法

为了方便人们在就餐前选择餐厅,提高就餐效率,文中提出一种基于双向长短时记忆网络的智能语音餐厅推荐方法。首先利用长短时记忆网络进行意图识别,再利用BiLSTM实现餐厅推荐系统中的实体提取,便于系统根据用户所提供的实体信息结合用户意图做出相应反馈。根据意图识别在餐厅推荐系统中的实际应用情况,准备充分的意图识别数据,确定意图识别方案。同时,文中采用基于Rasa_Core的对话管理机制制定对话场景来训练对话管理模型,在用户意图的指引下利用训练好的模型可以选择最优的反馈动作,达到机器与人的有效沟通。     

基于语音识别的英语翻译器设计

针对传统英语翻译系统语音识别准确率低,导致语言翻译效果不佳的问题,提出一种语音识别的英语翻译器。在HMM基础上,加入梅尔频率倒谱系数MFCC,通过MFCC提取语音特征,然后利用HMM对语音特征进行识别,最后通过循环神经网络构建Transformer机器翻译模型,从而对提取的中文语音进行翻译。结果表明,提出的HMM+MFCC模型对语音识别的平均识别率高达99.78%,比传统的识别方法高2.89%,且HMM+MFCC模型的平均识别时间仅为1.224 8 s,说明本模型识别效率更高,模型性能更优越;Transformer+词性信息模型的BLEU分数为36.28,比单一Transformer模型的BLEU分数35.69高出了0.59。综合分析可知,采用提出的语音识别和语言翻译方法可提高英语翻译器的语音识别准确率和翻译效果。     

基于机器学习的电网客服语音智能检测系统的设计与实现

为提高电力智能客服服务水平,提出了一种基于人工智能的电力客服系统。系统分为数据层、支持层、服务层和应用层四部分。为有效缓解人工梳理语音信息耗时问题,提出了一个多任务集成学习模型实现电力客户情绪识别,从而有效节省人力成本,同时可自动为电力公司提取有价值的客户反馈信息;提出了一种基于双向递归神经网络的意图理解模型,从而进一步提高智能客户服务的可用性和智能性。实验阶段,以某电力公司提供的电力客服通话数据为例,对所提模型进行验证。结果表明,与基准方法相比,所提多任务集成学习模型性能显著提升,愤怒、快乐、中性和悲伤状态下的平均准确率。此外,所提基于双向递归神经网络的意图理解模型识别准确率为90.21%,召回率为89.92%,F分数为90.07%。仿真结果进一步验证了所提模型对提高电力服务质量提供了一定借鉴作用。     

基于语言模型的调度语音智能识别研究

针对调度语音识别过程中单遍解码词图生成算法所生成词图精度较差的问题,研究基于语言模型的调度语音智能识别方法。构建由训练过程和识别过程组成的调度语音智能识别模型,训练过程中该模型提取语音数据的语音向量序列构建声学子模型,利用语言子模型训练文本数据构建语音词图,识别过程中对声学子模型、语音词图以及发音词典实施语音解码与搜索获取最优词序列,基于最优词序列完成调度语音智能识别。测试结果显示研究方法所生成的词图精度较高,可准确识别调度语音。     

基于智能语音交互的文言文翻译机器人关键技术

以语音交互为基础的翻译机器人,依托于固定关键词生成交互命令,使得文言文翻译结果双语替换测评(Bilingual Evaluation Understudy, BLEU)值较低。因此,提出基于智能语音交互的文言文翻译机器人关键技术。运用自然语言处理机制,对原始语音进行分词、词性标注等多方面处理。提出自动语音识别技术,结合语言模型和声学模型,对待翻译文言文语义进行准确预测,生成相应的交互命令。以循环神经网络为核心,构建机器翻译模型,并引入注意力机制,将网络单元改为双向循环模式,获取精准翻译结果。实验结果显示：所提文言文翻译机器人关键技术在实际应用中,使得BLEU值提升了31.47%、22.01%,更好地满足文言文翻译质量要求。     

基于熵权-TOPSIS的多用户社交意图评价模型研究

当前的机器人交互理论在多用户交互选择问题上缺少可靠的模型与方法。针对该问题，将机器人多用户并行交互转化为对用户社交意图的综合评价排序问题，提出了一种融合多社交线索的用户社交意图评价模型。该模型融合多种社交线索，通过熵权-TOPSIS方法对用户的社交意图进行实时评价与排序，然后根据排序结果驱动机器人的社交注意力转移。以上模型方法在“小胖”机器人平台上付诸实验，实验结果表明，该模型方法的准确率为92.8%,其中熵权-TOPSIS方法每次计算时间在2 ms左右，占总时间的0.81%。证明该模型满足机器人在多用户并行交互时实时的用户选择需求。     

噪声环境下基于小波变换的普通话智能测试系统设计

针对普通话测试中噪音干扰问题，提出了一种基于小波变换的普通话智能测试系统，对噪音环境下的语音信号进行准确辨别。为了确保本文系统语音识别的准确率，通过隐马尔可夫统计模型叠加神经网络，采用模式匹配的方式搭建了整体语音辨别系统。为了降低噪音对语音信号的影响，在系统中引入小波分析对信号进行去噪处理，同时引入了梅尔频率倒谱系数提取信号特征。实验证明，相较于未改进的传统系统，基于小波变换改进的普通话智能测试系统，在有噪声环境下，四次仿真的平均识别准确率要高7.2%,平均识别时间缩短了1.1 s,识别效果大幅提高；相较于基于DNN的普通话识别系统和基于CTC准则的普通话识别系统，基于小波变换改进的普通话智能系统，在4种不同噪音环境下，语音识别准确率更高，尤其面对频谱更集中的噪音，系统的识别准确率高达90.7%,分别较另外两种系统高出7.5%和6.6%,具有更好的实用性。     

基于卷积神经网络的交通标志识别算法

交通标志识别是智能驾驶的关键技术,要满足识别准确率高和识别速度快的要求。为了提升交通标志的识别准确率和识别速度,提出基于卷积神经网络的交通标志识别算法,设计了一种准确率高、速度快的识别模型用于交通标志识别。该模型使用了改进的Inception模块以及多尺度特征融合方式增强网络的特征提取能力,采用批量归一化来加速网络的训练,采用全局平均池化减小模型的参数量。在GTSRB数据集上进行训练测试,识别模型的准确率达到99.6%,识别每张图片的时间为0.22ms,实验结果表明识别模型的识别准确率高,识别速度快。通过自对比实验,验证了识别模型的结构优势。与其他交通标志识别方法在GTSRB数据集上进行对比实验,识别模型的识别性能优于其他识别方法。     

面向智能电视的隐式手势交互建模与算法

针对基于视觉的智能电视手势交互中用户认知负荷和操作负荷较重的问题,提出融合显式交互和隐式交互的手势交互算法.通过对基于视觉的智能电视手势交互场景分析,首先建立了基于用户行为和智能电视状态的多层次上下文模型,实现上下文的数据融合与特征提取;其次设计并实现了CDL-DFCM推理模型和显隐信息融合的隐式交互模型,识别交互情景事件并感知用户意图;最后实现用户与智能电视的隐式交互.实验结果表明,与现有算法相比,该算法在操作准确率、时间开销和手势移动距离等方面得到了明显改善,并有效地提升了用户体验.