摘要：儿童语音能力评估对提高其语言发展规律的认识,促进儿童语言、认知和社交能力的全面发展有重要意义。利用嵌入式硬件平台及深度神经网络隐马尔可夫模型(DNN-HMM)开展中文儿童语音能力评估研究。首先,使用LD3320语音芯片设计嵌入式硬件平台,然后利用线性校正单元构建深度神经网络,利用构建的DNN-HMM模型对中文儿童语音数据进行训练与测试,并结合一般内容概率潜在语义分析(GC-PLSA)模型开展语音评分,最后,将模型移植到嵌入式平台进行语音能力评估实验。实验结果表明:与传统高斯混合、隐马尔可夫模型(GMM-HMM)相比,基于DNN-HMM模型在儿童长、短句连续语音词错率(WER)方面均降低约5.4%、5.6%,且DNN-HMM模型获得的平均得分也要高于GMM-HMM模型。

摘要：针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法,设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先,对病理图像进行预处理,利用ZCA白化降低数据特征间的相关性,从而降低数据间的冗余。其次,在网络卷积层采用线性校正单元(Re LUs)作为网络的激活函数,加速计算网络输出。最后,在网络精调时,利用dropout方法随机断开池化层的网络节点,可以有效抑制算法的过拟合,提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类,精度达到94.65%。性能上超过了Softmax,PCA以及传统的卷积神经网络。