基于WGAN的语音增强算法研究

带噪语音可看成由独立的噪声信号和语音信号经某种方式混合而成,传统语音增强方法需要对噪声信号和干净语音信号的独立性和特征分布做出假设,不合理的假设会造成噪声残留、语音失真等问题,导致语音增强效果不佳。此外,噪声本身的随机性和突变性也会影响传统语音增强方法的鲁棒性。针对这些问题,使用生成对抗网络来对语音进行增强,给出一种基于Wasserstein 距离的生成对抗网络(Wasserstein generative adversarial nets, WGAN)的语音增强方法来加快训练速度和稳定训练过程。该方法无需人工提取声学特征,且使语音增强系统的泛化能力得以提升,在匹配噪声集和不匹配噪声集中都有良好的增强效果。实验结果表明,使用训练出的端对端语音增强模型后,语音信号的客观评价标准(perceptual evaluation of speech quality,PESQ)平均得到23.97%的提高。     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

基于深度卷积神经网络的水稻病害图像识别研究

水稻病害类型多,采集过来的图像病斑交界特征复杂多变。即便同类别水稻病害在不同的生长时期,发生在叶片、茎秆、穗部等部位呈现的病斑特征也不一样,而且不同类型病害也存在相似病斑,这些都给水稻病害图像的精准识别带来了相当大的困难。采用深度卷积神经网络模型,使用数据集扩增技术,运用fine-tune方法对网络进行调参及构建,将自然场景下采集的常见8类水稻病害图像输入网络模型中进行训练和测试,在有限的图像数量下取得较高的识别精度,其中纹枯病的准确率为93%。不同于其他方法仅聚焦在水稻叶部或稻穗部,本文识别的图像是多株水稻的场景,可为水稻病害远程自动诊断提供关键技术支持。     

基于属性敏感卷积神经网络的行人属性分类

针对行人属性分类受行人属性不均衡影响的问题,提出了一种基于属性敏感卷积神经网络的行人属性分类方法.首先调整现有的卷积神经网络结构,通过融合正反通道激活模块的使用,使模型能够感知更加详细的行人属性;其次引入属性不均衡损失函数,根据属性的不均衡比例自适应更新网络权重,利用误差的反向传播对少类属性增加其权值,提升模型对少类属性的敏感;最后在PETA数据集上,对54个属性进行了分类试验.结果表明:相比MLCNN等方法,新方法在36分类任务上取得了提升;在平均准确度、平均召回率和平均AUC上,分别提升2.13%,2.38%和1.19%.     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。     

基于改进BP神经网络的M-learning学习质量评价

传统的BP神经网络算法在寻优过程中常陷入局部极小值而无法得到全局最优解,同时在大数据量训练时,运算时耗大,效率低.为了避免这些缺点,提出了并行GA-Adaboost-BP神经网络算法,用GA算法优化BP神经网络权值,避免陷入局部极小值.运用并行Adaboost算法,将大数据量分成若干个小数据量集,由Adaboost算法组合多个小数据集BP神经网络的输出,构建一个强预测器,这种分布式运算提高了大数据量训练效率.实验证明,用改进BP神经网络算法对大数据量M-learning学习质量评价进行预测,其精确度较高,预测稳定性较好,运算效率得到提高.     

纳斯达克半导体行业股指统计特性及其神经网络预测技术研究

金融时间序列统计特性和神经网络预测研究对于掌握金融市场发展规律,并指导长期或短期投资行为具有重要意义。采用经验模态分解(EMD)、时间内禀相关分析(TDIC)和Hilbert谱分析等方法对纳斯达克半导体行业股指进行了尺度统计分析,并利用先验的神经网络对纳斯达克半导体行业股指进行了预测。统计分析发现,各阶本征模态函数(IMF)呈现一定的周期性,能谱分析的结果显示半导体行业股具有统计行为;利用先验的神经网络对半导体股指进行预测,发现半导体行业股指将会在未来一段时间内保持振荡趋势,不同的反向传播(BP)神经网络预测模型可以有效应对半导体行业长期和短期投资方案,可为投资者提供有效的借鉴。     

基于BP神经网络的机械运输设备管理与回报率分析

基于中冶宝钢某厂的24个月的机械运输设备运行数据,首先利用单层隐含层的BP神经网络预测下月回报率,提出了对模型的输入层、隐含层及其节点数的改进方案,保证模型拟合程度高的同时也确保训练的高效和快速收敛。经过改进模型的训练,仅用了150次左右的训练就达到期望误差0.000 5。将影响回报率的设备,选取数据进一步筛选,并利用MATLAB进行占比分析,使工程设备的回报率逐年上升。结合运输设备回报率的波动性,解决高利用高风险率机械运输设备的设定标准,通过双高设备出现问题的因素分析提出以"检"代"修"、以"修"代"换"的机械设备管理要求。     

基于卷积神经网络的病理细胞核分割

针对病理图像中细胞核的精准分割问题,结合全卷积网络框架和高分辨率网络框架的特点,提出一种卷积网络对细胞核进行自动精准地分割;基于稀疏非负矩阵分解的方法将具有严重颜色分布差异的病理图像进行颜色分布归一化,以归一化后的图像为输入,利用所提出的卷积网络对细胞核进行分割;该网络通过减少下采样算子的使用,使图像信息在前向计算过程中不会过分丢失,并使用扩张卷积扩大深层神经元的局部感受野尺度大小;所采用的分割方案在2017年MICCAI病理数字图像分割数据集中达到0. 848的平均dice分数;实验表明,融合全卷积网络框架和高分辨率网络框架的卷积网络在病理图像中实现了细胞核自动精准的分割,可以有效减轻影像医师的工作负担。