基于SVM的流行音乐中人声的识别

针对流行音乐中人声的发现问题,使用SVM分类器针对MFCC特征进行训练和分类。依据音频特征的连续性,后期对分类结果进行低通滤波。实验结果表明,该方法在帧层面上的识别率可以达到85.76%。实验中也发现不同语种的演唱者在发音上,特别是在MFCC特征上存在很大的统计差异性。实验中对歌曲分类的结果可以作为近一步实现音乐相似性度量的依据之一。

鲁棒声学事件检测综述

声学事件是指一段单一完整并能够引起人们感知注意的短时连续声音信号,而声学事件检测是指对这些声学事件进行识别。随着便携式摄像机与视频网站的迅猛发展,基于内容的声学事件检测在各领域的应用日趋广泛,例如个性化多媒体搜索、数字图书馆、网络管理与信息安全等。近年来,尽管研究者们提出了很多声学事件检测方法,但是由于采集设备、采集环境与传输条件等的千差万别,新环境下的音频数据日趋繁杂,使得类内数据差异较大且类间数据易混,从而导致传统识别方法的性能急剧下降,因此迫切需要研究当前环境下的鲁棒声学事件检测方法。

一种基于高斯混合模型的船舶航迹聚类方法

文章提出一种基于高斯混合模型(GMM)的船舶航迹聚类表达方法。设计区域船舶自动识别系统(AIS)数据选取方法,从AIS数据中选取特定区域的信息。分析数据挖掘中高斯混合模型聚类的方法和原理,通过运用GMM方法和期望最大(EM)算法,对厦门港船舶AIS信息中包含的航迹点进行聚类处理。研究结果表明,聚类得到的船舶航迹簇分布与实际海上交通环境下表现的船舶行为是一致的,同时能获得船舶轨迹点数据分布均值和协方差等数理分布的参数。该方法有助于从机器学习的角度理解海上交通环境和船舶行为,能为海上交通环境中船舶行为的智能识别、理解和监控提供参考。

夏秋季蔬菜主要病虫害防治技术

夏秋季(5～10月)蔬菜种类多、品种更多,也是全年中病虫害发生种类最多、危害最为严重、防治至关重要的一个时期。现就夏秋季病虫害的发生与防治作一介绍,供各地参考。

基于CNN-GRU的船舶轨迹预测

针对现有基于CNN、GRU及CNN-LSTM的船舶轨迹预测模型精度不高、运行时间较长等问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的船舶轨迹预测混合模型(CNN-GRU).构建了基于船舶AIS信息的船舶轨迹特征表达方法,以目标船舶连续4个时刻的轨迹特征值作为输入,以第5个时刻轨迹特征值作为输出,训练构建的CNN-GRU轨迹预测网络,对未来船舶轨迹进行预测,并与现有模型进行对比.实例验证表明:CNN-GRU模型的预测精度显著提升,经度误差不超过3×10^(-5)(°),纬度误差不超过5.5×10^(-4)(°),相较于CNN-LSTM模型,预测效率显著提高,运行时间减少19.1 s.

虫不乐对斜纹夜蛾等蔬菜灾变害虫的防治试验

田间药效试验结果表明 ,4 0 %虫不乐乳油 15 0 0倍对以低龄幼虫为主的斜纹夜蛾防效高达 98 4 % ;在斜纹夜蛾幼虫虫龄偏高时 ,采用虫不乐与敌敌畏混用配方 ,防效可达 98 6 % ;虫不乐同时还可兼治小菜蛾、菜青虫等。

基于时间序列排队模型的泊位服务水平研究

采用基于时间序列的排队模型,通过R/R/c/∞/n模型对船舶的个体参数及泊位系统的系统参数进行计算,对船舶的在港动态过程以及泊位的利用情况进行实时跟踪,确定船舶所接受的服务水平及码头所提供的服务水平.本模型改进了经典排队模型输入和服务过程必须服从某种分布的缺点,能够实际反映码头的运行效率和服务水平.根据港口历史的运营情况,假设到达船舶数目变化,预测船舶数目变化后的服务水平,模拟结果能为码头企业调整码头业务、建设新泊位以及航运企业选择船舶停靠港口提供理论依据.