语音识别系统中上下文相关声学模型建模优化

在实验中发现，某些带调三音子的训练数据稀疏会引起识别错误率的上升,为了在一定程度上减少这种影响，提出了使用其无调三音子的模型参数对有调三音子进行初始化。此外还调整了决策树状态捆绑的停止门限，并且采用了混合度分量的自适应增长训练。在863语音库上的实验结果表明，所有这些获得了一定的音子识别性能提高，同时也一定程度上压缩了声学模型大小。     

基于数据属性划分的递阶ELM研究及化工应用

针对极限学习机（ELM）不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分（DAD）方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。     

基于差异特征的案例可拓修改方法研究与应用

案例修改作为案例推理技术的重要环节和难点,存在着修改知识获取困难、修改方法通用性差的问题,结合可拓理论,在运用基元模型实现统一深层次案例描述和相似度检索的基础上,对相似案例进行满意评估,对于评估出的不相容的相似案例,提出了一种基于差异特征的取代式案例可拓修补方法,并将修改后的案例进行筛选评价得到最佳解决方案,从而形成了一套完整的案例可拓修改方法。以精馏塔理论板数的确定为例进行验证,结果表明,此方法对知识依赖性低、学习能力强,为案例修改技术的进一步研究提供了新思路。     

基于数据特征提取的AANN-ELM研究及化工应用

针对极限学习机不能有效解决化工过程中高维数据建模的问题,本文将其与自联想神经网络结合,通过自联想神经网络过滤输入数据中存在的冗余信息、提取特征分量,并对所提取的特征分量采用极限学习机进行训练,由此形成了一种基于数据特征提取的AANN-ELM(auto-associative neural network-extreme learning machine)神经网络。同时,以UCI标准数据集进行测试,以精对苯二甲酸(PTA)溶剂系统进行验证,结果表明,AANN-ELM在处理高维数据时具有学习速度快、网络稳定性强、建模精度高的特点,为神经网络在复杂化工生产中的应用提供了新思路。     

过程工业报警系统研究进展

系统、科学、有效的报警系统对提高生产过程安全、质量和可操作性能至关重要,引起了工业界和学术界的广泛关注,产生了大量研究成果。针对过程报警系统的最新研究进展,分别从报警系统优化设计、报警系统监控、报警系统性能评估这3个热点研究方向总结研究方法,并对不同方法进行了对比讨论。针对报警系统优化设计,利用ROC分析、相关性分析等方法对报警阈值进行优化,并对报警变量进行优先级划分;针对报警系统监控,利用相关性分析实现滋扰报警识别,基于过程知识和数据驱动实现因果报警识别,基于时间窗或运行长度分布实现抖振报警识别;针对报警系统性能评估,依据过程报警管理标准或动态风险分析等实现定性定量评估。最后,指出报警系统研究有价值的方向和趋势,并对报警系统研究前景做出展望。     

语音识别系统中上下文相关声学模型建模优化

在实验中发现，某些带调三音子的训练数据稀疏会引起识别错误率的上升,为了在一定程度上减少这种影响，提出了使用其无调三音子的模型参数对有调三音子进行初始化。此外还调整了决策树状态捆绑的停止门限，并且采用了混合度分量的自适应增长训练。在863语音库上的实验结果表明，所有这些获得了一定的音子识别性能提高，同时也一定程度上压缩了声学模型大小。