基于CTC与Transformer的普通话单音节发音错误检测

提出CTC与Transformer结合的端到端模型,使用多编码器和字层级一致的方法,降低在复杂录制环境下的识别错误率.该端到端模型在自建数据集PSC＿Monosyllable的测试集上的词错误率为5.6%.通过预训练,可以实现发音错误检测的正误分类,且比传统机器学习模型检测结果性能提升了16%,有效地提升了发音错误检出率,得出了较好的结果,检测率为0.589.     

一种分区BP人工神经网络图像差值算法

为了提高图像插值质量,利用前向反馈人工神经网络（BP-ANN）的自学习、自适应和泛化能力,开展分区BP-ANN图像差值研究.将图像中待插值像素划分为光滑区和边缘区,每个区分别对应1个BP-ANN进行图像差值操作,并通过3组实验确定分区BP-ANN的网络结构、采点模式和插值流程.结果表明,采用8-16-1拓扑结构的BP-ANN算法可达到图像的可视化质量和时间之间的最佳平衡点;与经典线性均值（LA）图像插值算法相比,分区BP-ANN算法在保持最佳视觉效果的前提下,峰值性噪比高约0.593 8 dB.     

基于CiteSpace的推荐系统研究可视化分析

分析推荐系统领域研究热点主题和未来发展趋势,对提高和改进推荐结果对用户友好性具有重要意义。本文采用科学知识图谱分析工具CiteSpace对2001-2020年间自然科学引文数据库中推荐系统领域文献进行可视化分析和解读。研究结果显示,推荐系统领域当前热点研究有“协同过滤、个性化推荐、用户画像”。推荐系统的研究前沿发展趋势集中在：冷启动、深度学习、相似性度量。建议未来在该领域的研究树立新高度,站在多学科结合视角、加强学术间交流、增进机构间合作,消除现有技术壁垒,促进推荐系统研究积极向前发展。本文研究结果可为国内推荐系统研究的后续理论研究和实践操作提供参考依据。