基于字形与语音的音译单元对齐方法

为了解决仅采用基于语音或基于字形的音译方法造成的误差过大问题,以汉英音译为主要研究对象,运用统计与规则的理论思想,提出融合基于语音和字形的音译单元对齐方法,设计了4个实验,与传统方法进行对比。实验结果显示,该方法能够很好地提高机器音译的准确性。     

基于音节首字母匹配的音译单元对齐方法

音译涉及的两种语言采用不同的字母表和发音系统时(英语和汉语,英语和日语,英语和阿拉伯语等),机器音译就更复杂且更具有挑战性.音译单元对齐结果的好坏严重影响机器音译的准确率,为此研究了英汉机器音译中音译单元的对齐,提出了基于音节首字母匹配的音译单元对齐方法,该方法在音译单元的对齐中有较好的表现.     

基于概率模型的汉语和越南语的人名音译方法

利用概率模型训练、学习得到基于字形的汉越音译知识,实现汉语和越南语的人名音译。音译方法简单有效,在汉译越上效果尤为显著,准确率达到97.41%。     

基于多模态融合的深度神经网络图像复原方法

针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题,提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法.首先,深度卷积神经网络在抽取图像空间特征的基础上,引入图像多尺度变换特征;其次,通过通道注意力、监督注意力和非局部注意力,挖掘图像特征的尺度间相关性、特征间相关性;最后,通过设计多模态特征融合机制,将上述两类特征有效融合.在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明,该方法在峰值信噪比、结构相似性等定量对比以及颜色、细节等定性对比上都优于对比方法.     

基于异质图神经网络的推荐算法研究

基于图神经网络的推荐算法通过从图中获取知识,提高了推荐的可解释性.然而随着推荐系统网络数据规模的不断扩大,用户-项目评分矩阵呈现出稀疏性问题,图神经网络难以学习到高质量的网络节点特征,导致推荐质量下降.本文将图神经网络与异质信息网络相结合,提出一种基于异质图神经网络的推荐算法.该算法使用异质信息网络对多源异质数据进行联合解码,将注意力机制引入用户-项目交互网络和用户社交网络的用户、项目聚合表示过程,从而实现用户-项目交互和用户社交两类网络间的节点及拓扑结构特征的有效融合.两个公开数据集上的对比实验结果表明,本文提出的算法在不断稀疏化的数据集上的推荐误差比基线方法少40％.     

认知隐喻在英语音译中的应用

文章基于概念隐喻理论以及翻译中对等原则,探究认知隐喻在英语音译中的应用。通过分析汉语中典型的音译借词,说明认知隐喻在音译中所发挥的作用,隐喻为两种文化之间搭建了一座桥梁,然而,也应该避免具有误导性的音译,因为它会使接受者产生错误的联想。     

一种基于深度特征融合的网络流量分类方法

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原始字节包含较多的冗余和混淆信息。针对此,提出了一种基于深度特征融合的流量分类方法。该方法对原始的统计特征进行融合,并将融合后的特征转化为灰度图像,应用卷积神经网络对转换后的灰度图像进行分类,达到对加密流量进行分类的目的。在两个真实数据集上进行实验验证,分类准确率达到了92%～99.89%。与文献方法相比,在网络流量粗粒度和细粒度分类上都取得了更好的结果。     

大规模MIMO组网场景中的网络时延预测

针对5G网络规划与优化存在的问题,提出一种融合系统仿真和深度神经网络模型的网络时延预测方法.基于射线追踪模型、高清地图、工程参数等构建时延仿真模型,利用时延仿真模型获取大量时延数据.基于无线通信理论提出三视图特征模型,此模型用于输入特征提取.通过深度神经网络学习时延数据特征,训练神经网络模型,利用神经网络模型预测网络时延.实验结果表明该方法具有可行性和有效性.     

基于投影权值归一化的立体图像质量评价方法

本文基于深度卷积神经网络和融合图像提出了一种引入投影权值归一化的立体图像质量评价方法.首先基于人眼双目竞争现象,提出对经过Gabor滤波后的左右视点图像进行彩色融合,从而得到单幅融合图像.卷积神经网络的输入即为预处理后的融合图像,通过卷积层自主对图像特征进行提取,采用池化层对特征信息降维,保留显著特征且减小网络计算复杂度;采用Re LU非线性激活函数缓解梯度消失,有效缓解了网络过拟合问题;网络引入数据批量归一化来规范各层输入数据的分布,引入投影权值归一化来保证权值参数的量级相同,有效地提升了算法的性能.本文在公开的立体图像库LIVE-Ⅰ和LIVE-Ⅱ上进行了实验.实验结果表明,本文方法在对称失真与非对称失真的立体图像质量评价上均具有较好的性能.     

双通道多感知卷积神经网络图像超分辨率重建

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接,并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明,DMCN重建效果优于目前多数具有代表性的重建算法.     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

联合时空特征的交通流参数预测综述

针对交通流参数预测在智能交通系统中的重要性,为寻求更实时准确的预测方法,对联合时空特征的交通流参数预测方法进行综述。以交通时空数据为研究对象,将交通流参数预测方法归纳为统计学习方法、深度学习方法和图神经网络方法。基于这3类方法分别从传统和联合时空特征角度概括了各种方法的研究现状和特点,分析了交通流参数预测的难点。结果表明,联合时空特征的交通流预测方法由于考虑了道路网络中复杂且动态的时空依赖性,相较于传统的同类方法,预测性能有较大提升。最后,从模型输入和模型设计角度,讨论了交通流参数预测未来研究方向。     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

基于深度神经网络的复杂区域偏微分方程求解

基于深度神经网络求解复杂区域的椭圆型偏微分方程,通过实现深度前馈人工神经网络,构造合适的损失函数和神经网络求解策略,并且提出针对椭圆型偏微分方程的精确、有效的策略和数值方法.该方法只需要在边界和内部上分别选取少量样本点作为训练集,经过迭代学习神经网络的参数使其逼近椭圆型偏微分方程的解.与传统数值方法相比,本方法具有无网格特点,无需生成计算网格,便于处理任意复杂区域问题.数值算例表明此方法可以求解具有复杂区域的微分方程问题且具有较好的数值精度.     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

基于单神经元PID控制器的闭环控制系统

目的 解决传统PID控制器对时变系统控制能力不强的弊病。方法 利用神经网络理论与传统PID控制理论相结合。结果 设计了一种单神经元PID控制器，将其应用于被控制对象是快时变和慢时变的两类闭环控制系统。结论 实验证明这种单神经元PID控制器通过在线边学习边控制的方式，实现了实时控制。