在汉越低资源翻译任务中,句子中的实体词准确翻译是一大难点。针对实体词在训练语料中出现的频率较低,模型无法构建双语实体词之间的映射关系等问题,构建一种融入实体翻译的汉越神经机器翻译模型。首先,通过汉越实体双语词典预先获取源...在汉越低资源翻译任务中,句子中的实体词准确翻译是一大难点。针对实体词在训练语料中出现的频率较低,模型无法构建双语实体词之间的映射关系等问题,构建一种融入实体翻译的汉越神经机器翻译模型。首先,通过汉越实体双语词典预先获取源句中实体词的翻译结果;其次,将结果拼接在源句末端作为模型的输入,同时在编码端引入“约束提示信息”增强表征;最后,在解码端融入指针网络机制,以确保模型能复制输出源端句的词汇。实验结果表明,该模型相较于跨语言模型XLM-R(Cross-lingual Language Model-RoBERTa)的双语评估替补(BLEU)值在汉越方向提升了1.37,越汉方向提升了0.21,时间性能上相较于Transformer该模型在汉越方向和越汉方向分别缩短3.19%和3.50%,可有效地提升句子中实体词翻译的综合性能。展开更多
针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用...针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通过分析和对比实验可得出结论,利用GST和改进CNN的滚动轴承智能故障诊断方法能够在实际工程中更加简单方便地判断出故障类型及损伤程度,满足实际工程的需求。展开更多
[目的]语音增强可用于提升现实噪声环境下语音翻译系统的性能.针对现有基于概率扩散模型的语音增强方法存在生成语音结构被破坏、难以对全局特征建模的问题进行研究.[方法]本文提出基于时频信息梯度估计的单通道语音增强方法.首先将语...[目的]语音增强可用于提升现实噪声环境下语音翻译系统的性能.针对现有基于概率扩散模型的语音增强方法存在生成语音结构被破坏、难以对全局特征建模的问题进行研究.[方法]本文提出基于时频信息梯度估计的单通道语音增强方法.首先将语音复数谱送入编码器中提取深层表征,并提出将残差快速傅里叶卷积(residual fast fourier convolution,Res-FFC)用于修复生成语音并对语音全局特征进行建模,同时在编解码的过程中融入语音时域信息.[结果]在公开数据集Voice Bank-DEMAND上的实验结果表明,相比基于分数生成模型的复数时频域语音增强网络(SGMSE),本文所提方法在客观评价指标SI-SDR和WB-PESQ分别提高0.5和0.19.[结论]本文提出的语音增强方法通过融入Res-FFC和语音时域信息,提升了模型对语音全局特征的捕捉能力,可有效抑制噪声,提升语音质量.展开更多
文摘在汉越低资源翻译任务中,句子中的实体词准确翻译是一大难点。针对实体词在训练语料中出现的频率较低,模型无法构建双语实体词之间的映射关系等问题,构建一种融入实体翻译的汉越神经机器翻译模型。首先,通过汉越实体双语词典预先获取源句中实体词的翻译结果;其次,将结果拼接在源句末端作为模型的输入,同时在编码端引入“约束提示信息”增强表征;最后,在解码端融入指针网络机制,以确保模型能复制输出源端句的词汇。实验结果表明,该模型相较于跨语言模型XLM-R(Cross-lingual Language Model-RoBERTa)的双语评估替补(BLEU)值在汉越方向提升了1.37,越汉方向提升了0.21,时间性能上相较于Transformer该模型在汉越方向和越汉方向分别缩短3.19%和3.50%,可有效地提升句子中实体词翻译的综合性能。
文摘针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通过分析和对比实验可得出结论,利用GST和改进CNN的滚动轴承智能故障诊断方法能够在实际工程中更加简单方便地判断出故障类型及损伤程度,满足实际工程的需求。
文摘[目的]语音增强可用于提升现实噪声环境下语音翻译系统的性能.针对现有基于概率扩散模型的语音增强方法存在生成语音结构被破坏、难以对全局特征建模的问题进行研究.[方法]本文提出基于时频信息梯度估计的单通道语音增强方法.首先将语音复数谱送入编码器中提取深层表征,并提出将残差快速傅里叶卷积(residual fast fourier convolution,Res-FFC)用于修复生成语音并对语音全局特征进行建模,同时在编解码的过程中融入语音时域信息.[结果]在公开数据集Voice Bank-DEMAND上的实验结果表明,相比基于分数生成模型的复数时频域语音增强网络(SGMSE),本文所提方法在客观评价指标SI-SDR和WB-PESQ分别提高0.5和0.19.[结论]本文提出的语音增强方法通过融入Res-FFC和语音时域信息,提升了模型对语音全局特征的捕捉能力,可有效抑制噪声,提升语音质量.
