基于带阈值的BPE-dropout多任务学习的端到端语音识别

针对语音识别任务中出现的未登录词问题,提出一种带阈值的BPE-dropout多任务学习语音识别方法.该方法采用带随机性的字节对编码算法,在形成子词时引入带字数阈值的策略,将子词作为建模单元,编码器部分采用Conformer结构,与链接时序分类和注意力机制相结合.为进一步提升模型性能,引入动态参数对损失函数进行动态调节,并同时进行多任务训练和解码.实验结果表明,该方法采用子词作为建模单元可有效解决未登录词问题,在多任务学习框架下进一步提升了模型的识别性能.在公开数据集THCHS30和ST-CMDS上,该模型实现了超过95%的识别准确率.

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。

新型全数字锁相环的逻辑电路设计

设计出一种新型全数字锁相环(enhancedphase-lockloop,EPLL)的逻辑电路。该电路基于轨迹跟踪原理实现与交流基波成分的同步,其锁相速度快,精度高。同时,为兼顾锁相速度和稳定性的设计要求,提出调节EPLL动态参数的新方法,获得具有优化结构的全数字锁相逻辑电路。锁相跟踪实验验证了该锁相环技术的性能,证实了其在提取和分析谐波方面的有效性。

换热网络优化中换热单元生成频次的影响分析及策略改进

换热单元的生成频次对换热网络优化有直接的影响,分析其机理可以指导求解算法的改进。本文采用节点非结构模型及强制进化随机游走算法,通过设置不同的换热单元生成概率与生成个数以改变换热单元的生成频次,观察并记录个体在优化过程中产生的年综合费用变化情况。发现不同生成频次下整型变量和连续变量的相对优化频率发生了变化,从而改变了整体优化过程,并且与个体当前优化状态不适应的生成频次会造成相对优化频率不平衡、优化结果较差。基于此,本文提出了一种具有生成参数动态调节策略的换热单元生成方式,在优化过程中根据个体状态实时调整换热单元的生成概率与生成个数,平衡整型变量与连续变量的相对优化频率。最后,采用15SP、10SP和20SP算例进行验证,换热网络的年综合费用较文献结果分别下降了1.06%、0.16%、0.68%,验证了该策略使得换热单元的生成频次更为合理,有效地提高了算法的优化效率。

基于IESKF与图优化的激光惯性SLAM算法

同步定位与建图(SLAM)算法在使用激光雷达建图过程中,由于环境的变化且配准参数固定,会在点云配准过程中产生较大的累计误差,并且对高程误差抑制效果不佳,进而会影响全局的配准精度和建图定位效果。针对上述问题,提出一种基于迭代误差状态卡尔曼滤波器(IESKF)与因子图优化的激光惯性SLAM算法。该算法包括自适应参数调节模块、点云预处理模块、前端里程计模块和后端因子图优化模块。根据点云规模确定不同的关键帧距离、配准、体素下采样,以及地面约束等参数。采用K近邻(KNN)选取关键帧组成局部地图,可充分利用帧-图匹配时的空间信息。通过IESKF融合点云残差与惯性测量单元(IMU)先验位姿,得到滤波方式的前端融合里程计。在后端优化中加入地面约束、回环约束构成因子图优化,提高了建图的全局一致性。在M2DGR公开数据集和实际场景上进行多算法对比实验,实验结果表明,在校园场景中:相较于仅使用因子图优化的LIO-SAM算法,所提算法在全局建图精度上提高了38%,在高程误差上减少了52%;相较于仅使用IESKF的FAST-LIO2算法,所提算法在全局建图精度上提高了64%,在高程误差上减少了62%,证明其在环境适应性和高程误差抑制方面具备更优异的性能。