摘要：深度神经网络DNN(Deep Neural Network)是近年机器学习理论中被诸多研究者广泛关注的语音识别模型。DNN模型利用DNN的学习能力可提升对噪声和口音的鲁棒性,在很多大规模语音识别任务中都超过了GMM模型。本文基于DNN与HMM特点,提取40维的MFCC特征向量后,利用DNN的每个输出节点估计HMM每个状态的后验概率,进而得到了对电话录音场景下的模型参数。最后,对1000小时的汉语电话录音和公开汉语语料集thchs-30上进行三次模型训练设计实验,并对比GMM-HMM模型参数效果。实验结果表明,DNN-HMM模型在1000小时的电话录音测试集上误识率降低了5.84%-9.42%,且两种模型识别效果表现得都比较稳定。

摘要：土壤风蚀是中国北方严重的环境问题,植被能够有效控制土壤风蚀。为给土壤风蚀防治方案设计提供依据,在毛乌素沙地南缘以中科1号羊草(Leymus chinensis)为对象,通过野外风洞试验,研究植被盖度(10%、20%、30%和40%)和配置方式(一行一带式、两行一带式、交叉分布式)对风沙流结构和输沙率的影响。结果表明:(1)各层输沙强度随风速增加而递增,随盖度增加而递减;输沙率与盖度符合指数函数关系。风沙流结构出现“象鼻效应”,风速和盖度的增加均使输沙强度峰值的高度层上移。(2)3种配置方式下输沙强度沿垂直高度的变化均呈指数函数分布,两行一带和交叉分布的阻沙效果大于一行一带。(3)从固沙效能最佳和经济效益角度考虑,中科1号羊草应种植盖度约为30%,风速较大的区域使用交叉分布的配置方式。

摘要：针对传统卷积神经网络在图像语义分割领域进行特征提取时未能充分利用上下文信息的问题,提出一种基于视觉Transformer的多级特征聚合图像语义分割方法。首先,将输入图像分割成一系列切片进行线性投影,并加入可学习的位置嵌入,获得编码输入序列;通过一个基于视觉Transformer的编码器,将图像编码为一系列补丁,从而在整个网络中建模全局上下文。Transformer编码器可与一个简单的线性解码器组合来获得优秀的效果,通过多级特征聚合解码器能进一步提升性能。大量实验表明,所提出的方法能够有效建模全局上下文信息,以进行图像特征提取。实验在3个公开数据集(ADE20K(49.97%mIoU)、Pascal Context(55.43%mIoU)、Cityscapes(82.03%mIoU))的语义分割任务中达到了良好的分割精度。设计的消融实验结果也充分证明了所提方法的有效性,能够更好地运用在高精度的图像语义分割领域。

摘要：多输入多输出正交频分复用(MIMO-OFDM)系统已成为第四代移动通信系统研究中的热点,而OFDM系统产生的高峰均功率比(PAPR)是限制MIMO-OFDM技术实用化的主要障碍之一。详细介绍了补充分组编码技术的基本原理,并通过仿真与测试的结论与其他编码技术进行了比较,验证了此编码技术对降低峰均功率比确实具有很好的效果。