基于深度信念网络的语音服务文本分类

在线人工语音服务已经在各种商业活动中展开,为了提供更好的客户服务就必须对语音服务质量进行有效的评估。目的就是将人工语音服务利用语音识别技术转化为文本,再进行有效的分类评估。常用文本分类模型有朴素贝叶斯、KNN、BP神经网络、支持向量机等模型,这些模型比较依赖于语音文本预处理后的特征表示,并且容易出现维数灾难、局部最优、训练时间长问题。而深度信念网络模型（DBN）可以从文本预处理后的特征表示中学习到更具有本质含义的特征表示,便于分类器分类,且避免以上模型的不足。在人工服务语音文本化后,通过深度信念网络模型转换特征表示再进行分类,最终的分类效果比上述分类模型直接利用文本的特征表示进行分类效果略微提高。     

基于Gabor小波与深度信念网络的人脸识别方法

特征提取与模式分类是人脸识别的两个关键问题。针对人脸识别中的高维和小样本问题,从人脸特征的提取与降维算法入手,提出基于受限玻尔兹曼机(RBM)的二次特征提取及降维算法模型。首先把图像均匀分成若干局部图像块并进行量化,再对图像进行Gabor小波变换,通过RBM对得到的Gabor人脸特征进行编码,学习数据更本质的特征,从而达到对高维人脸特征降维的目的;并以此为基础提出基于深度信念网络(DBN)的多通道人脸识别算法。在ORL、UMIST和FERET人脸库上对不同样本规模和不同分辨率的图像进行实验,识别结果表明,与采用线性降维和浅层网络的方法相比,所提方法取得了较好的学习效率和很好的识别效果。     

基于深度信念网络的高压断路器故障识别算法

针对高压断路器故障现有故障诊断算法中,特征提取不准确导致分类正确率较低的问题,提出了基于深度信念网络的高压断路器故障识别方法。深度信念网络(Deep Belief Network,DBN)是非监督的深度神经网络,由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加起来组成。首先使用无标签的数据样本自下而上的对各RBM层逐层训练,得到各层最优参数;再以此为初始参数将DBN展开成反向传播的结构,使用带标签的数据样本进行全局的参数微调;最后得到DBN分类网络。这一过程中,有效避免了特征提取的人工操作,解决了网络训练的局部最优问题,使断路器故障诊断更加智能化。通过试验结果可知,该方法可准确、可靠地用于诊断断路器主要机械故障。     

考虑台风影响的风速多步预测模型

合理认知台风对区域风速预测的影响,对未来风电的最大化利用至关重要.针对台风到来对风速预测影响较大问题,基于多模式集成(ME)的台风数值气象预报信息,提出了一种考虑台风影响的风速多步预测模型.首先,针对台风期间风速数据噪声问题,使用经验小波变换(EWT)对风速历史数据进行解构,基于自适应阈值方法剔除噪声扰动,并重构风速序列信号.然后,采用门控循环单元(GRU)网络对重构后的风速序列进行多步预测,获取不考虑台风影响下的风速预测信息.考虑台风数据的缺乏,在GRU网络基础上引入深度信念网络(DBN)进行台风情况下的修正,以提高考虑台风影响时的风速预测精度.最后,基于中国南部某地实际数据进行算例分析,并与不考虑台风数值预报信息的基础算例进行对比分析.算例分析结果表明,相较不考虑台风影响的基准模型,所提模型可有效降低风速预测误差.     

基于压缩感知的社团结构深度学习方法

传统社团结构发现算法复杂度高,且只适合处理小规模低维度的社会网络数据,而无法处理大规模高维度实际网络数据。为此,提出一种基于压缩感知的社团结构深度学习方法。通过随机测量矩阵对社会网络数据进行特征降维,并使用深度信度网(DBN)对降维后的特征样本集进行无监督学习,利用带类标的小样本集进行有监督调优。仿真结果表明,随机测量方法对高维稀疏特征具有较好的降维效果,DBN对大规模数据集具有较好的处理性能,该方法适合对大规模高维度实际社会网络数据进行高效处理。     

一种数值属性的深度置信网络分类方法

深度置信网络是个包含多个受限玻尔兹曼机的深层架构。针对深度置信网络分类时由于受限玻尔兹曼机的输入一般是二值向量而造成的信息的丢失从而使分类效果降低的问题,提出了通过在sigmoid单元中增加噪声来将输入缩放到[0,1]区间,使用带有一个高斯隐藏节点的顶层受限玻尔兹曼机实现分类功能的一种数值属性深度置信网络分类方法。深度置信网络和受限玻尔兹曼机可以作为特征提取方法也可以认为是带有训练的初始权值的神经网络。由于连接权值的初始化而不仅仅是神经网络的随机权值,深度置信网络分类应该比原有的传统的神经网络分类拥有更好的性能。在UCI的多个数据集上进行对比验证,实验结果表明深度置信网络分类方法比传统的SVM算法拥有更高的准确性。     

基于深度置信网络和双谱对角切片的低截获概率雷达信号识别

基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 dB时,基于BDS和DBN的识别方法对调频连续波(FMCW), Frank, Costas, FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。     

一种基于胶质细胞链的改进深度信念网络模型

深度信念网络(Deep belief network, DBN) 是一种从无标签数据学习特征的多层结构模型. 在同一层单元间缺少连接, 导致数据中的深度关联特征难以提取. 受到人脑中胶质神经细胞机制的启示, 提出一种基于胶质细胞链的改进 DBN 模型及其学习算法, 以提取更多数据信息. 在标准图像分类数据集上的实验结果表明, 与其他几种模型相比, 本文提出的改进 DBN 模型可以提取更为优秀的图像特征, 提高分类准确率.     

面向情境感知的不确定性数据融合策略

情境感知计算是对传感器感知的数据进行融合从而得到用户情境信息的过程。文中针对传感器数据存在的不确定性问题,在Context Toolkit模型的基础上提出了一种面向情境感知的数据融合策略,把数据融合分为底层融合和高层融合,在这两层上分别采用模糊逻辑和动态贝叶斯网络的数据融合方法。仿真实验结果表明,这种将模糊逻辑和动态贝叶斯网络相结合的策略能有效地处理情境感知过程中的不确定数据和信息,从而提高情境感知计算的容错性和准确度。     

基于Deep Belief Nets的维吾尔语句子级情感分析

针对维吾尔语句子情感信息：喜、怒、哀、乐和客观五分类任务,提出一种利用深度信念网络模型(Deep Belief Nets, DBN)的深度学习机制进行基于深层语义特征的句子级情感分析方法。该方法通过对维吾尔语情感句及语言特点的深入研究,提取出利于情感分析任务的8项情感特征。为了提高特征对文本语义的表达,将富含词汇深层语义和上下文信息的word embedding特征与情感特征进行融合,作为深度信念网络的输入。利用多层无监督的波尔兹曼机(RBM)训练并提取隐含的深层语义特征,通过有监督的后向传播算法对网络进行微调,进而完成情感分类任务。该方法在维吾尔语句子级情感分类任务中的准确率为83,35%,召回率为84.42%,F值为：83.88%. 实验结果证明,深度学习模型较浅层的学习模型更合适于本文的情感分类任务,对word embedding特征项的引入,有效的提高了情感分类模型的性能.