摘要：远程桌面是一种实现计算机桌面远程控制的软件,随着机器学习技术的不断发展,逐渐有研究开始了对远程桌面的优化设计。为了提升远程桌面的编解码速度及同时使其运行机制得到优化,本次研究提出了以多层卷积神经网络为基础来设计编解码器,并以此来提升远程桌面模型的整体性能优化。研究中首先利用多层卷积神经网络来实现图片压缩的优化,也就是实现编解码器的优化,并对卷积神经网络进行优化设计,并将基于多层神经网络的编解码器应用在远程桌面设计中,实现较优的图片压缩,最终构建出基于多层卷积神经网络编解码的远程桌面优化模型。经过测试,结果显示优化设计的卷积神经网络的损失率较低,并且基于卷积神经网络的编解码器的性能较优化前的性能而言,得到了较为明显的提升。此外从远程桌面软件的应用效果中可以得知,服务端的读取速度最高可以达到7.43m/s,并且通过参试者的实验,可以得知设计的远程桌面软件的使用率能在3个月内到90%以上,在加上集运专家的前景分析,可以得知软件的应用效果较好,并具有较为明朗的前景。研究结果为远程桌面控制研究提供了一定的理论支持。

摘要：梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)是一种符合人耳听觉特征,并与频率呈非线性对应关系的频谱特征,广泛应用在语音识别、音频特征分析等方面。对于目前广泛使用的通过单一特征进行音频分类的方法,存在分类准确度低、处理速度慢等方面的不足,提出了基于梅尔频率倒谱的音频分类算法,该算法对音频设定采样率,获取音频的时间序列,并根据时间序列提取梅尔频率倒谱系数特征,将获取的二维特征值进行数据拟合、标准化处理。构建多层卷积神经网络模型,将标准化处理后的梅尔频率倒谱系数特征作为网络的输入,通过交叉熵验证的方法,对模型的输出进行分类。通过实验数据可知,梅尔频率倒谱系数特征通过多层卷积网络处理后,分类结果准确率达到92.8%,使用模型进行分类时,速度达到每个样本7 ms的耗时,模型能对音频进行准确快速的分类。