无人驾驶规则的自动提取方法研究

无人驾驶汽车的测试技术主要是通过虚拟测试和场地测试的方法来检测无人驾驶汽车的智能化水平,通过不断的学习和总结经验来提高无人驾驶的安全性,这种方法耗费大量的人力物力以及时间。为此,从文本的角度出发,利用驾驶行为相关文本,通过NLP技术和基于规则的方法构建一个无人驾驶规则库,依据这个规则库来辅助测试无人驾驶汽车能否满足道路安全要求。实验结果表明,对《中华人民共和国道路交通安全法实施条例》处理后规则提取的正确率为89.85%,驾考题库文本的正确率为87.33%。     

基于预训练GRU-LightGBM的电力负荷预测

本文研究工作围绕电网中的核心环节电负荷预测展开.在总结分析之前研究学者的研究成果基础上,提出了基于预训练GRU与LightGBM相结合的方法.该方法首先使用电负荷数据训练一个特征提取网络GRU,然后使用该网络进行时序特征的提取,并将提取到的时序特征与非时序特征使用LightGBM进行电负荷的预测.本方法的创新点在于提出了预训练网络来扩充特征,充分融合时序特征及非时序特征.并且考虑到电网的地区差异性,在整体训练过程中将GRU网络参数进行了适应性微调.保证提取到的时序特征是符合当前地域特点的.通过仿真实验最终发现该方法在各项指标上取得了2％的提升.     

基于高斯滤波器组混合特征的录音回放攻击检测研究

录音回放是目前声纹识别技术应对各种仿冒语音攻击的主要手段。针对传统语音特征无法区分真实语音和回放语音的问题,提出一种基于高斯滤波器组的Fisher比混合倒谱特征提取算法。将高斯滤波器组代替传统三角滤波器组,分别采用线性频率和逆ERB频率替换MEL频率,形成高斯线性频率倒谱系数特征（G-LFCC）和高斯逆ERB频率倒谱系数特征（G-IEFCC）两个新的特征。通过Fisher准则将G-LFCC和G-IEFCC融合,生成新的混合特征参数,该特征提高了真实语音和回放语音在高频段的区分度,同时降低回放语音在低频段因不同录音及回放设备造成的干扰。在ASVSpoof2017评测数据上的实验结果表明,该算法混合特征具有较好的区分效果,与IMFCC、LFCC、CQCC和GSV等算法相比,等错误概率分别降低21.8%、38.8%、58.3%和43.7%。     

枢纽机场航站楼内低成本连续定位优化方法

目前民航事业正在飞速发展,随着运输业务量的快速增长和国内机场规模不断扩建,旅客在建筑面积巨大且结构复杂的航站楼内,无法精确定位旅客在航站楼内的位置,因此为旅客提供精准定位的位置服务需求与日俱增.结合航站楼内的蓝牙信号传输特性设计了基于EFK的融合定位算法以提高旅客定位结果的连续性,结合人员密集流动、走行路径的不同设计了基于粒子滤波的地图匹配融合定位算法,进一步提高旅客的定位精度.在开发环境下设计并实现枢纽机场航站楼内定位软件,并对提出的航站楼内定位算法进行实验验证和结果分析,在实验人员走行过程中,可有效改善在航站楼内的定位效果.     

基于导波能量特征PCA的结冰定量检测方法研究

为解决结冰探测中导波信号难以识别的问题,提出了基于导波能量特征主成分分析(Principal Component Analysis,PCA)的结冰定量检测方法,先后进行铝板结冰仿真实验和实测实验验证.仿真获得的结冰探测导波信号表明导波信号能量随结冰长度的增大而降低,利用PCA方法对导波信号的时域和时频域能量特征进行降维,验证了利用信号主成分综合得分测量结冰长度的可行性.并采用上述方法进行实测实验,实验结果表明主成分综合得分与结冰长度具有良好的线性关系,对预制结冰区域的检测结果表明该方法的检测精度较高,检测误差小于传统的能量法,并且对小尺寸结冰有较强的探测能力.     

自然图像抠图技术综述

着重对近几年自然图像抠图研究新进展进行综述,针对近年来基于启发式优化的抠图研究以及基于深度学习的抠图研究新成果对抠图研究工作进行重新分类和梳理,分析不同类型自然图像抠图研究主要的方法并整理其中的关键问题,介绍常用的自然图像抠图评价指标。最后通过实例分析总结了当前自然图像抠图研究面临的挑战,并对未来的研究前景进行了探讨。     

自然语言生成综述

自然语言生成（NLG）技术利用人工智能和语言学的方法来自动地生成可理解的自然语言文本。NLG降低了人类和计算机之间沟通的难度,被广泛应用于机器新闻写作、聊天机器人等领域,已经成为人工智能的研究热点之一。首先,列举了当前主流的NLG的方法和模型,并详细对比了这些方法和模型的优缺点;然后,分别针对文本到文本、数据到文本和图像到文本等三种NLG技术,总结并分析了应用领域、存在的问题和当前的研究进展;进而,阐述了上述生成技术的常用评价方法及其适用范围;最后,给出了当前NLG技术的发展趋势和研究难点。     

结合一维扩展卷积与Attention机制的NLP模型

自然语言处理作为人工智能的一个分支,在日常生活中有着广泛的应用。随着循环神经网络在自然语言处理领域的应用以及循环神经网络的不断演进与迭代,自然语言处理有了很大的飞跃。循环神经网络也因此迅速成为自然语言处理领域的主流算法,但是其具有结构复杂和训练时间漫长的缺点。提出一种基于一维扩展卷积和Attention机制的自然语言处理模型,利用一维扩展卷积提取语言文本的深层特征,再通过Attention机制给深层特征分配权重以整合各个时序特征。实验结果表明,该模型只需循环神经网络约30%的训练时间,就能达到与循环神经网络相近的性能,验证了该模型的有效性。     

基于深度学习的命名实体识别研究综述

命名实体识别技术是信息抽取、机器翻译、问答系统等多种自然语言处理技术中一项重要的基本任务。近年来,基于深度学习的命名实体识别技术成为一大研究热点。为了方便研究者们了解基于深度学习的命名实体识别研究进展及未来发展趋势,对当前基于卷积神经网络、循环神经网络、transformer模型以及其他一些命名实体识别方法展开综述性介绍,对四类方法进行了深入分析和对比。同时对命名实体识别应用领域以及所涉及到的数据集和评测方法进行了介绍,并对未来的研究方向进行了展望。     

基于CITAF-HAF的立方调频信号参数估计

针对立方调频（Cubic Frequency Modulated,CFM）信号的参数估计问题,提出了一种基于高阶模糊函数（High order Ambiguity Function,HAF）和相参积累三阶自相关函数（Coherently Integrated Trilinear Autocorrelation Function,CITAF）的参数估计方法。利用HAF将立方相位信号降阶为二次调频（Quadratic Frequency Modulated,QFM）信号,再利用CITAF完成参数估计。由于CITAF能够在时域和时延域完成信号能量的二维相参积累,其实现过程利用复乘、傅里叶变换和加法操作即可完成,因此该方法能够提高参数估计的分辨率和抗噪声干扰能力,并保持较低的计算量。实验结果证实了该算法的有效性和性能上的优越性。