摘要：针对目前环境声音分类(Environmental Sound Classification, ESC)方法对音频特征提取中反映的时频维度信息不足的问题,提出基于多组多分辨率特征和小波通道注意力的分类方法。采用多组多分辨率特征组成的多特征作为网络输入,通过多组滤波器,多个频率分辨率,在时间和频率维度上实现数据增强,同时实现信息互补。为了更好地衡量各个通道的重要性,针对一维音频图像特征设计了小波通道注意力模块,采用离散小波变换(Discrete Wavelet Transform, DWT)将信号的低频子带和高频子带有效结合,得到通道标量,利用Gram-Schmidt正交化方法使网络在信道注意压缩阶段提取的信息多样化,利用长短期记忆(Long Short Term Memory, LSTM)网络长时间保存信息,提高学习的长期可靠性。实验结果表明,在ESC-10和ESC-50数据集上的分类准确度分别达到了98.7%和93.6%,取得了较好的效果,为音频特征处理提供了一种新的研究思路。

摘要：文章探讨了基于人工神经网络的自然语言处理技术,首先,阐述了人工神经网络的定义、结构、工作原理,以及与深度学习的关系。其次,详细研究了基于人工神经网络的自然语言处理技术,包括神经网络模型、词嵌入技术、循环神经网络、长短期记忆网络、转换器模型与自注意力机制等,并分析了这些技术面临的挑战。最后,通过实验设计与结果分析验证了所提出方法的有效性。文章研究内容对于推动自然语言处理技术的发展和应用具有重要意义。

摘要：水库水位变化受降雨、泄洪、蒸发等众多因素影响,现有水库水位预测方法的预测精度有待提升。为此,提出一种融合长短期记忆网络(long short-term memory, LSTM)和图卷积神经网络(graph convolution neural network, GCN)的水库水位预测模型。该模型首先借助LSTM提取水位与相关影响因素的时序依赖特征;随后,设计图结构学习模块,自动捕捉水位及不同影响因素间的关联关系;最后利用GCN进行表征学习和预测。在三峡大坝数据集及合作企业提供的数据集上开展了广泛实验,实验结果证实了所提模型的有效性和优越性。

摘要：针对电力负荷预测精度不高且泛化能力较弱等问题,提出一种基于多个模型融合Blending集成学习方式的短期负荷预测方法。在对数据预处理后,首先,分别设计实验对各单一模型LSTM、LightGBM、XGBoost、GBDT、KNN、SVM进行单独预测,同时用Pearson相关系数分析各模型误差相关性,优选预测性能好、相关性小的模型作为基学习器和元学习器,构建多个模型嵌入Blending集成学习方式的短期负荷预测模型,最后,通过中国南方某地区的真实负荷数据进行验证,算例表明,Blending预测模型能够充分发挥不同学习器的优势,提高泛化能力,且所提模型RMSE、MAPE值分别为102.97MW和0.67%,相较于单一预测模型在预测精度上有较大的提升。

摘要：高速铁路工务设备是铁路运输的基础,其使用状态直接关系到运输的安全性。为提升工务段巡检员和管理层的巡检效率和决策的准确性,解决巡检预警状态缺乏直观性、周期天数设置不合理以及春秋季专项检查缺乏电子化等问题,本文研究了两项关键技术,以构建数字化技术体系。首先利用深度学习建立了基于卷积神经网络的病害自动识别模型,并通过对几个高速铁路沿线车间的数据进行采集与验证分析,证明该模型在巡检员上传病害影像后,能够自动识别病害。训练精度高达97%,验证精度达到76%。其次,本文基于大数据技术,结合卷积神经网络和长短期神经网络建立设备状态判断模型,并构建出巡检周期预测算法。通过分析两个高速铁路工务段的数据,结果显示,设备状态识别模型能够通过捕捉巡检记录中的关键信息,准确判断设备运行状态,预测巡检次数的平均相对误差为14.3%,精度为85.7%。最后,通过高速铁路工务设备巡检修数字化实现案例,充分证明了两项应用的设计与融合方案能够为高速铁路工务设备的巡检修作业提供充分的技术支持,并能为实时而高效的检修决策提供全面可靠的数据依据。

摘要：针对传统翻译方法学习能力差、翻译质量较低的问题,提出了一种基于循环神经网络的专业英语机器翻译方法。该方法以编码器-解码器为模型框架,利用改进的循环卷积神经网络对输入数据加以训练。同时编码器使用多头注意力机制对输入数据进行共同训练,进而使算法兼具局部与全局特性。解码器单层则采用三子层结构,分别为多头注意力子层、上下文信息子层及全连接子层,可保证句子翻译的流畅性。在实验测试中,所提算法的BLEU值与其他算法相比提升了2.7;而在专业语料翻译测试中,相较于网络翻译,该算法的准确性和流畅度均更优,由此表明其性能较好,具有一定的工程应用价值。

摘要：复杂场景下文本识别因阴影、残缺、模糊、虚化等因素会出现识别精度下降问题。鉴于此,提出一种基于特征融合与双向简化门结构的CRNN模型。首先引入特征融合机制改进卷积神经网络(CNN)模型,利用特征金字塔结构,多加一条自底向上的路径,将低层特征与高层特征融合在一起,以保留更多低层细节特征,提高场景文本识别精度;其次通过合并遗忘门与输入门,得到结构更简单、计算量和参数量更少的简化门结构替换长短期记忆(LSTM)网络改进循环神经网络(RNN)模型部分;最后设计消融实验验证改进后模型的有效性。三个数据集的测试结果表明:在ResNet50做主干网络时,与原始模型相比,改进后模型准确率提升了1.5%以上;在MobileNetV3做主干网络时,准确率提升了1.4%以上。

摘要：为了构建具有自我学习、自主决策能力的自动调制识别神经网络,将卷积神经网络与长短期记忆层结合设计一种并行双路神经网络来自动提取信号数据的调制信息,用于完成多种复杂无线电信号调制识别任务,其在24种信号的无线电信号数据集上识别率最高可达到97.54%。无线电信号IQ两路信号兼具时域信息和空间关系,还设计了增加IQ分离数据作为辅助通道的多通道联合卷积与长短期记忆神经网络。该方法在训练参数量相近的情况下加快了收敛速度,在调制识别准确度上也有相应提高。

摘要：为准确掌握抽水蓄能机组的健康性能水平,提出基于卷积-长短期记忆神经网络(CNN-LSTM)的机组健康性能趋势预测方法。首先,为有效地刻画机组的运行特性,构建基于高斯过程回归的机组健康状态模型;然后,设计可量化机组健康性能的指标因子;进一步融合CNN良好的局部特征提取能力和LSTM在时间序列预测方面的优势,提出基于CNN-LSTM的预测模型。对国内某抽水蓄能电站机组监测数据进行的试验结果表明,所提方法可较好地预测机组健康性能的发展趋势。

摘要：针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory,LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题。其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类。最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测。仿真结果表明,提出的轨迹预测网络能够完成轨迹预测任务,预测误差在合理范围内。