基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

不同导引方式下影响潜载鱼雷命中概率的主要因素

鱼雷命中概率是潜艇鱼雷武器试验中的一项重要指标,其精度直接反映了鱼雷武器的攻击精度和作战效果。从鱼雷命中概率计算的基础理论入手,通过对不同导引方式下鱼雷数学导引模型的仿真计算,分析得出不同导引方式下影响鱼雷命中概率的主要因素,为潜艇鱼雷武器试验提供了一定理论依据。     

火箭助飞鱼雷捕获概率的解析模型

针对火箭助飞鱼雷作战方式及弹道形式与传统声自导鱼雷的不同,深入分析了搜索区域、落点散布和目标散布等影响火箭助飞鱼雷捕获概率的关键因素,得出了各要素的数学描述。进而综合考虑3 个要素的相互关系,并根据不同射击方式下目标散布模型的本质区别,分别采用“误差综合冶与“全概率冶的思想,构建了前置点和现在点2 种典型射击方式下火箭助飞鱼雷捕获概率的解析模型。且其计算值与仿真实验结果吻合良好。