基于εN-SVDD算法的煤层底板突水危险性预测

为有效预测深部煤层开采面临的底板突水威胁,减少突水事故发生,针对水文地质勘探资料少、突水相关数据获取较难的情况,提出结合ε不敏感损失间隔的带负类支持向量数据描述(εN-SVDD)算法,采用该算法构建了底板突水预测模型,对选取的突水预测样例进行了突水预测分析,得到了准确的预测结果.研究结果表明:与原始SVDD、支持向量机(SVM)方法相比较,εN-SVDD预测模型在突水相关数据较少时仍能得到较高的预测准确率.     

基于多任务深度特征提取及MKPCA特征融合的语音情感识别

【目的】针对传统声学特征所含情感信息不足的问题，提出一种基于多任务学习的深度特征提取模型优化声学特征，所提声学深度特征既能更好表征自身又拥有更多情感信息。【方法】基于声学特征与语谱图特征之间的互补性，首先通过卷积神经网络提取语谱图特征，然后使用多核主成分分析方法对这两个特征进行特征融合降维，所得融合特征可有效提升系统识别性能。【结果】在EMODB语音库与CASIA语音库上进行实验验证，当采用DNN分类器时，声学深度特征与语谱图特征的多核融合特征取得最高识别率为92.71%、88.25%,相比直接拼接特征，识别率分别提升2.43%、2.83%.     

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题，深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩，同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性，根据信号的稀疏表示中所具有的判别性，提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明，CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。