基于Vision Transformer和迁移学习的家庭领域哭声识别

针对SVM等传统机器学习算法准确率低和当前使用CNN处理家庭领域哭声识别在不同婴儿间出现泛化能力差的问题,提出了一种基于Vision Transformer和迁移学习的婴儿哭声音频分类算法。首先,为实现数据集样本的扩增,采用了包括梅尔频谱转换和数据增强的数据预处理技术,进而达到了增强模型鲁棒性的目的。而后,在微调后的Vision Transformer模型上进行迁移学习训练,同时,训练过程中利用了LookAhead优化器来不断调整模型参数以避免过拟合,最终实验实现了对婴儿哭声音频的自动分类。实验结果表明,本实验模型相比其他深度学习模型具有更高的精确率和更快的收敛速度,同时还能有效地学习到婴儿哭声中更具区分性的特征。可以在新生儿监护、听力筛查和异常检测等领域中发挥重要作用。

HLA仿真系统中Lookahead的分析与动态调整策略

在HLA仿真系统中 ,Lookahead是影响系统性能的重要参量 ,对Lookahead的管理也是实现邦元程序的重要内容。采用时间分段的方式重新定义HLA仿真系统中的Lookahead ,很好地解决了仿真运行中时戳增量改变较大的问题。在此基础上提出的Lookahead动态调整算法考虑了邦元程序对要接收事件的经验值 ,可以有效提高系统运行性能 。

基于层次结构模型的LLP控制算法设计

层次结构模型是混杂系统理论中一种重要的模型,主要是因为它能够更直观地反应混杂系统的本质,以及控制变量、离散事件状态变量和连续状态变量之间的关系和演化过程。针对具有混杂特性的双罐系统,建立了其对应的层次结构模型,并设计了合于受控输入是有限控制集的Limited Lookahead Policy(LLP)控制算法,并给出了稳定性的条件。分别在正常情况和故障情况下进行了3个仿真实验,实验结果验证了所建立的模型和算法的有效性和鲁棒性。

一种基于延迟测量的网络游戏防欺骗协议

提出一种对等网架构下的网络游戏防欺骗协议。协议基于延迟测量,实现了在保持游戏速度的同时防止lookahead欺骗和suppress-correct欺骗。

基于颜色Petri网和Lookahead的数据分发管理研究

对高层体系结构(HLA)中数据分发管理(DDM)的研究,主要目标是在符合HLA标准的前提下,提高数据的过滤效率,同时减少计算量,并提供较好的可扩展性适应于各种规模的分布式仿真应用。Lookahead是分布式模拟时间管理协议中的一个重要概念,各模拟实体使用Lookahead把自己产生事件的时间标记情况更早地通知给其它实体,以加快程序的运行。采用颜色Petri网和Lookahead的数据分发机制,能够很好地对数据进行过滤,提高数据的过滤效率,并能保证数据收发的成功率。仿真实验结果表明:基于颜色Petri网和Lookahead的数据分发机制是优于区域匹配方法的。

基于span指针网络的危险化学品安全知识抽取

危险化学品安全知识存在数据长、实体跨度大、语义复杂度高且部分实体间存在嵌套等特点,这些特点增大了危险化学品安全知识的抽取难度。为了有效地解决危险化学品安全知识的抽取问题,并针对关系抽取任务中流水线方法存在的误差累积和实体冗余问题,提出了一种基于span指针网络的关系联合抽取方法,旨在抽取危险化学品安全知识中的三元组信息。此外,为了提升模型的抽取性能和泛化能力,在span指针网络的模型基础上,添加了对抗训练和Lookahead优化器。最终的实验结果证明,此方法在解决危险化学品安全知识的抽取问题上具有优越的性能。

基于历史模型的蒙古文自动词性标注研究

蒙古文自动词性标注方面的研究工作较少,制约了对蒙古文的机器翻译、语法分析及语义分析等领域的深入研究。针对于此,提出了加入lookahead学习机制的基于历史模型的蒙古文自动词性标注方法。实验表明,加入lookahead学习机制的基于历史模型的蒙古文自动词性标注方法对蒙古文的未登录词、集内词、总体词自动词性标注的准确率分别达到了71.276 6%、99.148 2%、95.301 0%,说明此方法可以较好地进行蒙古文的自动词性标注。

数控高速高精度运动控制中G代码的解析处理

文章概述了在高速高精度数控系统中运动控制的重要意义,接着详细介绍了在执行G代码的运动控制中,对G代码数控程序的解析、处理,并设计了一种针对高速高精度运动控制的Lookahead功能的算法;随后给出了实验效果的验证,并把研究结果引入到项目的开发应用中。

基于Lookahead搜索的H.266/VVC帧内多类型树结构快速决策方法

第四代视频编码标准H.266/VVC引入的诸多新技术在提高了压缩效率的同时引入了很高的编码复杂度,其帧内编码最耗时的部分之一是编码树单元(CTU)结构决策。提出了一种用于H.266/VVC帧内编码的多类型树(MT)结构快速决策方法。该方法首先利用Lookahead搜索来得到深度为2或3的编码单元的近似率失真代价,根据近似率失真代价来移除冗余的MT划分模式。重要性低的划分模式会被优先移除,重要性高的划分模式会被优先保留。实验结果表明,与H.266/VVC参考软件VTM 10.0相比,所提出的算法在节约了46.86%的帧内编码时间的情况下,仅增加了1.02%的BDBR。