基于光纤激光器的有源腔气体吸收测量网络

有源内腔法气体吸收测量技术具有极高的灵敏度,通过对基于掺铒光纤激光器的有源气体测量系统的分析和静态测量结果表明,在激光器阈值附近系统的灵敏度最大。为了有效地抑制噪声,提高测量精度,在环行腔光纤激光器的基础上又提出了采用波长调制/二次谐波检测的测量方法,并采用1×N的波分复用(WDM)器件构建了有源传感网络。实验中采用了一个1×4的波分复用器,其通道对应于乙炔气体的吸收波长,系统的解调通过扫描可调谐光滤波器的波长来实现。通过对8.31mol/m3的乙炔气体的实验表明系统最小可探测气体浓度为0.044mol/m3。     

基于Sagnac环镜的多波长线性腔掺铥光纤激光器(特邀)

研究了一种基于光纤Sagnac环镜的多波长线性腔掺铥光纤激光器.该激光器采用1.5 m长的双包层掺铥光纤为增益介质,793 nm激光二极管为泵浦源,光纤Sagnac环镜和光纤环形镜构成激光器谐振腔.通过增加泵浦功率和调节偏振控制器,在1949～1976 nm的光谱范围内实现了1～7个波长的激光输出,输出功率达毫瓦量级,光信噪比达到40～50 dB.     

基于深度学习的频谱感知研究综述

频谱感知可以提高认知无线电网络的频谱利用率,但传统的频谱感知方法不能在复杂的通信环境中进行快速的频谱感知.因此,借助计算机计算能力的提升,将深度学习应用于频谱感知,以快速、智能地获得感知结果.首先,介绍在频谱感知中应用较为广泛的深度学习模型,包括卷积神经网络、长短期记忆网络和深度强化学习;其次,对近几年基于深度学习频谱...     

基于深度学习的电信运营商网络投诉工单智能分类技术研究

本文基于自然语言处理技术和深度学习算法,挖掘运营商投诉工单中结构化和非结构化内容的语义特征规律,构建了面向运营商网络投诉派单场景的大规模多标签智能分类模型TBF。本文使用包括编码器模块和解码器模块的端到端框架构建模型。编码器模块使用嵌入层将输入数据中的原始字段转化成向量表示后,使用文本卷积神经网络和双向长短期记忆网络分别对不同数据类型字段的向量表示进行特征抽取并使用前馈神经网络进行特征融合。解码器模块是多层感知机分类器组成的分类器链结构,用来接收编码器模块的融合结果并预测输出各层级投诉类别标签,从而实现对网络投诉工单的智能分类,达到节约人力成本、提升派单质效的数智化转型目的。通过在运营商实际生产环境中的测试和应用,取得了较为满意的效果,成功助力运营商的客户满意度改善。     

基于循环卷积多任务学习的多领域文本分类方法

文本分类任务中,不同领域的文本很多表达相似,具有相关性的特点,可以解决有标签训练数据不足的问题.采用多任务学习的方法联合学习能够将不同领域的文本利用起来,提升模型的训练准确率和速度.该文提出循环卷积多任务学习(MTL-RC)模型用于文本多分类,将多个任务的文本共同建模,分别利用多任务学习、循环神经网络(RNN)和卷积神...     

基于循环卷积多任务学习的多领域文本分类方法

文本分类任务中,不同领域的文本很多表达相似,具有相关性的特点,可以解决有标签训练数据不足的问题.采用多任务学习的方法联合学习能够将不同领域的文本利用起来,提升模型的训练准确率和速度.该文提出循环卷积多任务学习(MTL-RC)模型用于文本多分类,将多个任务的文本共同建模,分别利用多任务学习、循环神经网络(RNN)和卷积神经网络(CNN)模型的优势获取多领域文本间的相关性、文本长期依赖关系、提取文本的局部特征.基于多领域文本分类数据集进行丰富的实验,该文提出的循环卷积多任务学习模型(MTL-LC)不同领域的文本分类平均准确率达到90.1％,比单任务学习模型循环卷积单任务学习模型(STL-LC)提升了6.5％,与当前热门的多任务学习模型完全共享多任务学习模型(FS-MTL)、对抗多任务学习模型(ASP-MTL)、间接交流多任务学习框架(IC-MTL)相比分别提升了5.4％,?4％和2.8％.     

基于多任务学习时间卷积网络的路网短时交通速度预测

短时路网交通速度预测是智能交通系统的重要技术。基于深度学习,文章提出了一种多任务学习时间卷积网络（Multi-Task Learning Temporal Convolutional Network,MTL-TCN）,用于预测路网层面的短时交通速度。以广州市路网交通速度数据为数据源展开对比实验,结果表明MTL-TCN模型优于经典方法和深度学习方法。     

基于CNN-LSTM模型的不满意用户预警研究

为了从海量数据中挖掘有效信息,提高不满意用户预测精度,针对用户话单数据时序性和非线性的特点,提出了一种基于卷积神经网络（CNN）和长短期记忆（LSTM）的不满意用户预测模型。首先,将用户信息数据和历史话单数据按时间滑动窗口构造连续特征图作为输入,采用CNN提取特征向量;然后,将特征向量以时序序列方式构造,采用LSTM进行用户满意度预测。通过所提方法对江苏省某地区移动通信用户数据的预测实验表明,本文提出的预测方法比传统预测方法、机器学习方法和标准LSTM网络预测方法具有更高的预测精度。     

基于多任务学习的立体匹配算法

引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。     

一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题,以视觉几何组(Visual Geometry Group,VGG)网络为基础,提出卷积神经网络(Convolutionnal Neural Network,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)结合的识别算法。CNN提取数据集CASME II的空域特征,LSTM处理时域特征,实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题,加入批量归一化算法与丢弃法,提高网络训练速度,有效防止过拟合。针对数据集稀缺的问题,固定每次读取帧序列的长度,随机生成起始帧的位置,不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果,五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

融合1D-CNN和LSTM的民航客运量预测模型

在民航客运领域,准确地预测航线每日的客运量对民航公司具有重要的指导意义。循环神经网络能较好地预测民航的客运量,但在准确率,尤其是时间效率方面仍需提高。因此,提出一种融合一维卷积神经网络和长短期记忆网络的客运量预测模型,利用一维卷积神经网络计算代价小和可以识别序列局部模式的特性以及长短期记忆网络可以捕获客运量序列的时间依赖特性,对客运量进行预测。实验结果表明,所提模型在RMSE和MAE评价指标上均优于门控循环单元、时间卷积网络等基准模型,且在效率方面也较具优势。     

基于多任务卷积神经网络的人脸识别技术研究

深度神经网络是目前计算机机器学习领域的一个关键技术,可应用于图像处理。其中,多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)是一种基于卷积神经网络的多任务人脸检测框架,这里采用MTCNN人脸检测模型代替传统的卷积神经网络,在深度学习框架TensorFlow上进行人脸识别。首先,在数据预处理阶段利用灰度化方法将图像集转变为灰度图,降低图像通道。其次,基于MTCNN构建人脸检测模型,并利用Softmax函数进行分类识别。最后,实验过程中选择不同迭代次数进行准确性对比,在模型趋于稳定的情况下,得到较高的准确性。     

采用多任务学习和循环神经网络的语音情感识别算法

随着机器学习的快速发展,许多研究者使用神经网络来解决语音识别领域中的各类问题。然而由于训练数据有限等原因,常规的神经网络分类器普遍存在泛化误差等问题。为了解决此问题,迁移学习中的多任务学习被引入到研究中。本文提出了一种采用多任务学习和循环神经网络的语音情感识别算法(MTL-RNN),将说话人情感识别作为主任务,性别识别和身份识别作为辅助任务,三个任务在神经网络中并行训练。算法模型通过RNN共享层共享网络参数、学习共享特征,通过属性依赖层学习独有特征,以提升模型的分类性能。实验结果表明,本文所提出的MTL-RNN算法在汉语和阿拉伯语、较少说话人和较多说话人的场景下均有较好的识别性能。      

基于神经进化的深度学习模型研究综述

深度学习研究发展至今已可以胜任各类识别、分类、生成任务,但是对于不同的任务,神经网络的结构或参数不可能只是微小的变化,依然需要专家进行调整.在这样的情况下,自动化地调整神经网络的结构或参数成为研究热点.其中,以达尔文自然进化论为灵感的神经进化成为主要优化方法.利用神经进化优化的深度学习模型以种群为基础,通过突变、重组等...     

基于多任务监督学习的实时室内布局估计方法

室内布局估计是计算机视觉领域的研究热点之一,在三维重建、机器人导航和虚拟现实等方面具有广泛的应用.目前室内布局估计的解决方案存在实时性较差、计算量较大等问题.针对这些问题,本文提出了一种基于多任务监督的轻量卷积网络,该网络模型基于编码器-解码器结构,使用室内边缘热图与平面语义分割实现多任务监督学习.此外本文对卷积模块进...     

基于OpenPose改进的老人摔倒检测算法

为避免老人摔倒后未能及时提供医疗援助而造成的人身伤害,研究发现老人摔倒并及时发出警告,可减少老人摔倒的损失和严重后果。为了提高老人摔倒检测算法的检测精度和实时性能,提出了一种基于OpenPose改进的老人摔倒检测算法。该算法在OpenPose人体骨架信息识别网络的基础上,提出将其部分卷积层替换为深度可分离卷积神经网络类型。该算法使用长短期记忆神经网络来检测老人的摔倒。从URFall公共数据集提取跌倒和相关行为数据,丰富自制数据集,实验结果表明,本文改进后算法大大提升了系统判别摔倒的识别精度。