基于桥接Transformer的小样本优化鸟声识别网络

针对实际鸟类监测环境中,收集鸟声声频数据分布不均匀,导致神经网络训练不充分,分类识别测试准确率低的问题,设计了一种桥接Transformer神经网络模型。该网络首先利用原始鸟声声频信号生成短时傅里叶变换语谱图作为输入特征,之后将语谱图输入到由注意力模块和卷积模块桥接组成的Transformer网络中,完成对语谱图中全局特征和局部特征的信息交互,最后利用单层Transformer编码器实现对每一个批次样本的损失优化,得到最终的分类结果。在Birdsdata和xeno-canto鸟声数据集上进行小样本实验,分别获得了91.34%和82.63%的平均准确率,与其他鸟声识别网络进行了对比实验,验证了该网络的有效性。

基于同伴学习法的模电教学改革实践

在工程教育认证的以“学生为中心”的理念指导下,结合信息技术发展的大背景,高等教育的教学模式急需新的变革。构建基于学习通平台和同伴学习法的教学新模式,并以“模拟电子技术”课程为研究对象,进行了教学实践。通过问卷调查和课程目标达成情况分析,证实该教学模式得到了学生的认可,有效地提高了学生的学习效果、效率。

偏振选择可调谐双带太赫兹吸收器

提出并研究了一种偏振选择可调谐双带太赫兹吸收器。吸收器由顶层方形劈裂石墨烯环、中间SiO_(2)介质层以及底层金反射层组成。基于时域有限差分法的仿真结果显示,该吸收器在不同偏振光入射下均可以实现双带高效率吸收。x偏振光时在7.86和12.63 THz处的吸收率分别为97.9%和91.2%;y偏振光时在6.30和10.52 THz处的吸收率分别为94.1%和93.2%。通过改变石墨烯费米能级,可以对两个偏振的双带吸收峰波长进行调谐。此外,研究了介质层厚度和石墨烯劈裂环的物理参数对共振吸收峰的影响。因为在两个偏振状态下都能产生双带高吸收,所以此吸收器在太赫兹偏振成像、太赫兹传感、选择性光谱检测和偏振复用等领域有重要的潜在应用价值。

基于Mel频谱值和深度学习网络的鸟声识别算法

为了增强网络对鸟鸣声信号的特征学习能力并提高识别精度,提出一种基于深度残差收缩网络和扩张卷积的鸟声识别方法。首先,提取鸟鸣声信号的对数Mel特征及其一阶和二阶差分系数组成log-Mel特征集,作为网络模型的输入;其次,通过深度残差收缩网络自动学习噪声阈值,减少噪声干扰;然后,引入扩张卷积增大卷积核感受野并利用注意力机制使网络聚焦于关键帧特征;最后,通过双向长短时记忆网络从学到的局部特征中学习长期依赖关系。以北京百鸟数据库中的19种中国常见鸟类作为实验对象,识别正确率可以达到96.58%,并对比模型在不同信噪比数据下的识别结果,结果表明该模型在噪声环境下的识别效果优于现有模型。

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(Convolutional Neural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。

基于ARIMA算法特征补齐的语音情感识别

语音情感识别的数据集普遍存在语音数据长短不一致的现象,进行补零处理会造成无用信息的冗余。针对此问题,提出了一种基于差分整合移动平均自回归ARIMA算法特征补齐的语音情感识别算法。首先进行特征的选取,并利用ARIMA方法进行语音特征的补齐。然后,基于因果扩张卷积神经网络和长短期记忆网络,构建语音情感识别模型。最后,采用柏林语音集进行实验,结果表明:用ARIMA方法对特征进行补齐,一定程度上提高了模型的表现力;使用因果扩张卷积搭建模型,增加了模型的泛用性。

脑血管病患者颈部血管多普勒血流参数的变化

目的 评价颈内动脉海绵窦瘘 (CCF)、脑动静脉畸形 (AVM )、烟雾病及脑动脉瘤的供血或病变动脉颅外段血管超声血流参数特点。方法 患者组 5 2例 ,其中CCF10例 ;AVM 13例 :主要供血动脉来源于椎基底动脉系统的AVM定为Ⅰ组 ,来源于颈内动脉系统的AVM定为Ⅱ组 ;脑动脉瘤 12例 ;烟雾病 17例 ;均经脑血管造影证实。正常对照组 5 5例健康志愿者。测量双侧颈总动脉 (CCA)、颈内动脉 (ICA)及椎动脉 (VA)的最大峰值流速 (Vmax)、舒张末血流速度 (Vmin)、平均血流速度 (Vmean)及阻力指数 (RI)。结果 与正常对照组相比 :①CCF患侧颈内动脉Vmin及Vmean升高 ,RI下降 (P <0 .0 5 ) ;②Ⅰ组位于小脑的 7例中 特大型AVM ,供血侧椎动脉的Vmax、Vmin、Vmean升高 ,RI降低 (P <0 .0 5 ) ;Ⅱ组位于顶、颞、额叶等部位的 6例中 大型AVM ,供血侧颈内动脉血流参数无明显变化 (P >0 .0 5 ) ;③脑动脉瘤载瘤侧颈内动脉血流参数无明显变化 (P >0 .0 5 ) ;④烟雾病患侧颈总动脉及颈内动脉Vmean降低 ,RI升高 (P <0 .0 5 )。结论 CCF、烟雾病及位于小脑中型以上的AVM的供血或病变动脉颅外段血管超声血流参数的变化具有特征性 ,可为临床诊断脑血管病提供参考。

基于特征融合和模糊核判别分析的面部表情识别方法

提出了基于特征融合和模糊核判别分析(FKDA)的面部表情识别方法。首先,从每幅人脸图像中手工定位34个基准点,作为面部表情图像的几何特征,同时采用Gabor小波变换方法对每幅表情图像进行变换,并提取基准点处的Gabor小波系数值作为表情图像的Gabor特征;其次,利用典型相关分析技术对几何特征和Gabor特征进行特征融合,作为表情识别的输入特征;然后,利用模糊核判别分析方法进一步提取表情的鉴别特征;最后,采用最近邻分类器完成表情的分类识别。通过在JAFFE国际表情数据库和Ekman"面部表情图片"数据库上的实验,证实了所提方法的有效性。

一种基于最小距离的量子k-means算法

k-means算法以其简单和快速的特点而被广泛地应用,但其计算复杂度随着数据维数呈指数级增长.通过采用量子比特来表示空间中的点,提出一个高效的基于距离最小化原则的量子k-means算法,相比经典k-means算法,该算法能够带来指数级加速.为了计算待分类点与聚类中心之间距离,通过增加一个辅助粒子构造聚类中心与待分类点的纠缠态,并对辅助粒子进行投影测量,进而依据测量结果计算出两点之间距离.算法的目的是将待分类的点按距离最小原则分到相应的聚类中.算法中,需随机选择k个点作为初始聚类中心,在接下来的迭代过程中,不断地更新聚类中心,直到聚类中心不再变化或小于指定的阈值,则迭代结束.

基于稀疏表示的KCCA方法及在表情识别中的应用

在面部表情识别中,由于图像特征中存在与情感语义无关的信息及噪声干扰等因素,在一定程度上影响表情识别的准确性.传统的基于核典型相关分析的识别方法难以有效克服这些因素的影响.为尽可能排除这些影响表情识别的因素,提出一种基于稀疏表示的核典型相关分析方法,并将其应用于表情识别中.该方法的基本思想是应用稀疏学习方法来自动选择表情特征矩阵中的关键特征谱成分进行表情特征与情感语义特征之间的相关性建模,然后通过建立的模型完成对待测表情图像的语义特征估计,并用于表情的分类识别.为验证所提方法较传统的基于核典型相关分析方法的优越性,选取国际标准表情数据库JAFFE进行实验,实验结果证实了所提方法的有效性.

一种融合KPCA和KDA的人脸识别新方法

核判别分析(KDA)和核主成分分析(KPCA)分别是线性判别分析(LDA)和主成分分析(PCA)在核空间中的非线性推广,提出了一种融合KDA和KPCA的特征提取方法并应用于人脸识别中,该方法综合利用KDA和KPCA的优点来提高人脸识别的性能。此外,还提出了一种广义最近特征线(GNFL)方法来构造有效的分类器。实验结果证明:提出的方法获得了更好的识别结果。

基于偏最小二乘回归的人脸身份和表情同步识别方法

将偏最小二乘回归方法用于人脸身份和表情的同步识别。首先,对每幅人脸图像进行脸部特征提取以及相应的语义特征定义。在脸部特征提取方面,从每幅图像中标定出若干脸部关键点位置,并提取图像在该关键点处的Gabor小波系数(Gabor特征)以及关键点的坐标值(几何特征),作为该图像的输入特征。语义特征则定义为该人脸图像所属的表情类别信息以及所对应的人脸身份信息。其次,利用核主成分分析(KPCA)方法对脸部Gabor特征和几何特征进行融合,使得输入特征具有更好的识别特性;最后,运用偏最小二乘回归(PLSR)方法建立脸部特征和语义特征之间的关系模型,并运用此模型对某一测试人脸图像进行表情和身份的同步识别。通过在JAFFE国际表情数据库和AR人脸数据库上的对比实验,证实了所提方法的有效性。

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求。深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法。首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向。

基于模糊LDA/CCA的面部表情识别(英文)

提出了一种新颖的基于典型相关分析(CCA)的模糊判别分析方法(fuzzy-LDA/CCA),并应用于面部表情识别问题.首先为每幅表情图像建立一个相关联的类模糊隶属度矢量,用于表示表情图像与基本表情类别的隶属关系,在此基础上应用CCA方法建立表情图像同表情类别的关系表达式,最后通过对表情图像的类隶属度矢量的估计来实现表情的分类.此外,还将fuzzy-LDA/CCA方法在核空间中进行了非线性推广,从而来解决非线性判别分析的问题.实验证明提出的方法获得了更好的识别效果.

基于多标签核判别分析的人脸身份与性别识别方法

为解决多标签线性判别分析(MLDA)方法在非线性维数约简方面的局限性,提出了一种多标签核判别分析(MKDA)方法,并将其用于人脸的身份与性别识别中.该方法的基本思想是通过非线性映射将训练样本从输入空间映射到高维核特征空间中,并在该特征空间中进行基于MLDA的数据降维.在身份和性别识别中,首先采用MKDA方法对人脸图像特征向量进行降维,获取判别特征矢量集;其次,为每幅人脸图像赋予一个表征身份和性别的多标签类别矢量;最后,采用减秩回归模型(RRR)描述判别特征矢量与多标签类别矢量之间的回归关系,并利用该模型进行未知人脸的身份和性别识别.AR人脸数据库上的实验结果表明:在人脸身份和性别识别中,MKDA方法的识别率高于传统核判别分析(KDA)方法.

基于模糊核判别分析的基因表达数据分析方法

针对基因表达数据空间分布的特性,提出了一种基于模糊核判别分析的基因表达数据分析方法.方法综合了模糊数学以及核判别分析方法的优点,提高了对基因表达数据分类识别的准确性.以多发性骨髓瘤的基因表达数据为例进行了实验,从实验结果可以看出,采用模糊核判别分析方法可以得到最佳的识别效果.

一种基于以太网的嵌入式智能三相电能表

提出基于以太网的嵌入式智能三相电能表的研究与设计。本设计利用32位高性能Cortex-M4F内核处理器,实现三相三线、三相四线以及单相等各种用电场合各相电参量的智能化高精度测量。采用以太网+GPRS双网卡通信结构延伸传统电能计量设备的应用领域,完成与智能家居体系的无缝对接,并实现友好的用户交互界面。在当前智能互联、云概念广泛推进的趋势下,这对于传统计量领域具有推动性的意义。

基于测量的量子图像识别研究

目前,已有的量子相似度比较算法:1)逐个比较图像对应位置的像素值;2)将两幅图像分别用量子态表示,再将两幅图像进行连接(意味着将两个量子态连接成一个态),再进行相关的量子操作。所提出的比较算法,是在不连接图像的基础上,将图像用量子态表示,进行控制交换(c-Swap)操作,再进行量子测量,根据测量结果判断两幅图像的相似度。将所提的量子相似度比较算法应用到量子手势识别中,实验结果表明所提算法在识别问题上具有可行性。在经典领域中,手势识别的流程比较复杂。而在量子领域中,无需提取手势的颜色、纹理、特征等步骤,直接可以将手势进行二值化表示,再根据所提的图像相似度算法来实现手势识别。

反义复合词“好歹”的共时与历时考察

"好歹"是由形容词语素"好"和"歹"组合而成的,"好歹"凝合成词之后,通过转喻机制,整体发生了转类,趋向于名词化,具有指称功能。随着其句法位置的变化,加上本身具有评价性的语义基础,"好歹"又进一步虚化为情态副词,且在现代汉语中这一用法成为其最主要的用法。不同词性的"好歹"其自身的概念整合度及词汇化等级也并不相同,表现为:情态副词>名词>形容词。

“好歹”的词汇化、语法化历程及其动因

"好歹"一词形成于宋元时期,本是由语义相反的"好"和"歹"构成的并列式短语,在句中充当主语、宾语或定语。在发展过程中意义逐步泛化,其整体意义不再是组成成分意义的简单相加,这时候"好歹"初步实现其词汇化。在使用过程中其句法位置更加自由,可以用于谓语动词之前充当状语,甚至可以位于主语之前起到一定的篇章连接功能,再加上其构成成分本身具有评判性的语义基础,在使用过程中说话者的主观情态凸显,"好歹"最终虚化为表情态的语气副词。