基于深度学习的语音门禁系统设计

基于深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network,DS-CNN)设计一个嵌入式离线语音门禁系统.系统首先利用深度学习库TensorFlow搭建DS-CNN声学模型并完成模型训练,然后将训练好的模型移植到嵌入式平台实现离线式语音识别,最后根据识别结果控制继电器执行相应动作.为避免人工设计的滤波器在特征提取时造成信息损失,系统采用语音信号的语谱图作为声学模型输入,通过多层卷积单元自动提取说话人语音特征进行分类判断,并引入语音唤醒机制,保证系统的安全性和低能耗.系统测试结果表明,该门禁系统1次识别成功率达95%以上,平均响应时间满足设计要求,具有较好的实用性.     

基于粒子群算法优化设计RBM网络结构

受限玻尔兹曼机在实际使用中不可避免地遇到设置网络结构的问题,然而对于这一问题并没有有效的方法,因此提出基于粒子群算法优化设计RBM网络结构方法(Particle Swarm Optimization-Restricted Boltzmann Machine,PSO-RBM).该方法克服了粒子群算法在处理标称型数据时的局限性,采用连续型变量构造个体进行迭代训练,在求解适应度时再转变成标称型变量,做到可见层特征和隐藏层数目的优化选择.在MNIST数据集上实验,结果表明粒子群算法优化后的RBM网络结构在错误率和训练时间上与传统的RBM网络结构相比较,该方法在综合性能上有一定的优势,实现了粒子群算法优化设计RBM网络结构的目的.