基于层次信息融合的声学场景分类

声学场景分类技术可以通过在公共区域中录制的音频分析出它的录制环境,在日常生活中发挥着重要的作用.与传统分类问题类与类之间没有关系不同,声学场景分类的类别间存在着层次结构关系(父类与子类),如机场和购物中心的父类为室内.而现有的方法在设计时并未考虑声学场景分类任务的这一特性,忽略了父类和子类间的依赖关系.因此,本文利用声学场景类别间的层次结构关系,提出了一种基于层次信息融合的声学场景分类方法.该方法为父类和子类分别设计了单独的分类器,在子类分类的过程中融合了父类的信息,并设计了层次依赖损失来对预测的父类和子类不匹配的情况进行惩罚.在TAU城市声学场景2020移动开发数据集上的实验结果表明,基于层次信息融合的方法有效地提升了声学场景分类模型的性能,分类准确率提升了1.1%.

多层次信息融合技术在燃气轮机故障诊断中的应用

探讨了信息融合技术在燃气轮机故障诊断中的应用,构建出一种燃气轮机多层次信息融合故障诊断模型。在模型的数据融合层,采用了自适应加权融合算法,以最小化传感器测量不确定度为目标对同源测量数据进行了融合,其结果再经特征层进行故障特征的提取和融合,最终通过决策层给出诊断判定。数值实验结果证明,该故障模型能有效减小传感器测量不确定度对于诊断的不良影响,所得诊断结果的合理性和精度均得到了提高。

基于深度学习与多层次信息融合的药物靶标亲和力预测

药物研发是非常重要但也十分耗费人力物力的过程。利用计算机辅助预测药物与蛋白质亲和力的方法可以极大地加快药物研发过程。药物靶标亲和力预测的关键在于对药物和蛋白质进行准确详细地信息表征。提出一种基于深度学习与多层次信息融合的药物靶标亲和力的预测模型,试图通过综合药物与蛋白质的多层次信息,来获得更好的预测表现。首先将药物表述成分子图和扩展连接指纹两种形式,分别利用图卷积神经网络模块和全连接层进行学习;其次将蛋白质序列和蛋白质K-mer特征分别输入卷积神经网络模块和全连接层来学习蛋白质潜在特征;随后将4个通道学习到的特征进行融合,再利用全连接层进行预测。在两个基准药物靶标亲和力数据集上验证了所提方法的有效性,并与其他已有模型作对比研究。结果说明提出的模型相比基准模型能得到更好的预测性能,表明提出的综合药物与蛋白质多层次信息的药物靶标亲和力预测策略是有效的。

多层融合的管道泄漏诊断技术研究

针对传统油气管道泄漏监测和诊断准确率不高的问题,提出一种基于BP神经网络的多层D-S证据理论融合算法。用压力传感器、流量传感器、温度传感器等传感器监测管道泄漏信号。这些信号经预处理后输入到已训练好的BP神经网络。该网络的输出结果被用作各初始命题的基本概率赋值函数(BPAF)。再用多层D-S证据理论,将不同源、不同测点以及不同时刻的传感器信息依次进行融合。并将此方法并应用于实验室中,模拟管道泄漏的检测和诊断。试验结果表明,用多层D-S证据理论算法,能够有效提高管道泄漏诊断的准确率,降低泄漏识别的不确定性。