基于BLSTM网络的智能客服语音识别系统

智能客服语音识别技术是电信客服行业从传统劳动密集型转向智能化的关键。声学模型作为语音识别系统重要模块之一,对识别结果起着至关重要的作用。本文在深度神经网络-隐马尔可夫模型框架的基础上,针对传统深度神经网络DNN在语音识别中无法充分学习语音所包含的上下文相关信息的问题,将双向长短时记忆神经网络BLSTM用于声学建模中。通过实验可以看出,BLSTM在实际电话客服领域的语音识别系统中的识别准确率达到85.3%。

基于BLSTM网络的智能客服语音识别系统研究

为了提高智能客服服务质量,提出基于BLSTM网络的智能客服语音识别系统。建立了系统总体构架,设计了系统硬件及软件。通过PCI9054进行语音识别系统的集成DSP控制,采用低功耗的GT834032进行智能客服语音识别的集成语音信息处理和指令加载,完成硬件设计。软件部分根据匹配滤波检测方法完成信号增强和滤波处理,在时域和频域空间内提取高阶谱特征量,实现波束集成处理。通过网络信道均衡调制方法均衡控制语音传输,结合稳定性测试方法完成稳定特征提取和定位检测,实现智能客服语音信号识别。仿真实验结果表明,所设计系统对语音信号识别的抗干扰性较好,特征辨识度较高,信号检测和识别能力较强。

基于BLSTM-RNN的船舶轨迹修复方法

针对内河干线船舶AIS轨迹数缺失问题,提出一种基于双向长短时记忆网络(BLSTM-RNN)模型的船舶轨迹数据修复方法。通过利用船舶轨迹上下文信息及其他回传特征作为模型输入,构建两层的双向循环神经网络(RNN)模型。在模型输入上,采用相关性分析及序列自相关系数,确定船舶轨迹点相关变量及轨迹序列自相关滞后值;在模型结构上,以ACC率为指标对模型超参数值进行合理设置,以长江干线航道武汉段及重庆段船舶轨迹数据为样本,对模型进行实证验证。实验结果表明:与线性及其他机器学习方法相比BLSTM-RNN方法在精度上有一定提升;在武汉段顺直河段实验中,将修复误差控制在15 m量级内,远低于其他非线性方法的50 m量级;在重庆复杂河段内,可将修复误差控制在10 m量级;模型解决了传统方法在长距离丢失点上精度缺失的问题,在20个连续点丢失的情况上,将修复误差降低至50m量级。

基于ResNet-BLSTM的端到端语音识别

基于深度学习的端到端语音识别模型中,由于模型的输入采用固定长度的语音帧,造成时域信息和部分高频信息损失进而导致识别率不高、鲁棒性差等问题。针对上述问题,提出了一种基于残差网络与双向长短时记忆网络相结合的模型,该模型采用语谱图作为输入,同时在残差网络中设计并行卷积层,提取不同尺度的特征,然后进行特征融合,最后采用连接时序分类方法进行分类,实现一个端到端的语音识别模型。实验结果表明,该模型在Aishell-1语音集上字错误率相较于传统端到端模型的WER下降2.52%,且鲁棒性较好。

用于短文本分类的BLSTM_MLPCNN模型

文本表示和文本特征提取是自然语言处理的基础工作,直接影响文本分类的性能。文中提出了以字符级向量联合词向量作为输入的BLSTM_MLPCNN神经网络模型。该模型首先将卷积神经网络(CNN)作用于字符以获取字符级向量,并将字符级向量联合词向量作为预训练词嵌入向量,也即双向长短时记忆网(BLSTM)模型的输入;然后联合BLSTM模型的前向输出、词嵌入向量、后向输出构成文档特征图;最后利用多层感知器卷积神经网络(MLPCNN)进行特征提取。在相关数据集上的实验结果表明:相比于CNN,RNN以及CNN与RNN的组合模型,BLSTM_MLPCNN模型具有更优的分类性能。

基于DTW的注意力机制BLSTM在线手写签名认证

为了提高在线手写签名认证的准确率,设计了一种挖掘签名稳定笔段用于认证的方法.本文提出对签名笔段计算累计差异值矩阵进行匹配;其次采用动态时间规划(DTW)算法计算笔段稳定度;在此基础上,通过以笔段的特征输入双向长短期记忆网络(BLSTM)加注意机制进行处理,从而得到每个用户的稳定签名段集合;最后提取该集合的特征进行分类.该方法在svc2004数据库上进行验证并得到了97.08%的认证率,并在40个用户上取得了1.16%的等误率.该结果表明本文方法能够提高认证精度,并且验证了BLSTM与稳定笔段结合方法的有效性.

基于改进EAST的文本检测算法

自然场景文本定位检测是文本识别的研究热点之一。EAST算法是目前自然场景文本定位检测算法较为出色的算法之一,在ICDAR2015数据集上,有着较高的准确率和召回率。但EAST算法仍存在着感受野不够大、长文本检测效果不佳的问题。因此本实验对EAST算法进行改进,通过改进EAST算法的结构,加入了ASPP网络,扩大感受野,加入了BLSTM神经网络,增强了文本之间的关联,提高文本定位效果。实验结果表明,该算法在ICDAR2015文本定位任务上的召回率为77.84%,精确率为86.24%,F-score为81.82%,优于经典EAST算法。

结合CNN与双向LSTM的心律失常分类

心律失常是心血管疾病中常见的病症之一,实现心律失常的自动分类对心血管疾病的诊治具有重要意义。基于一维心电信号的心律失常分类方法以若干节拍作为输入,通过模型提取特征并用于分类。针对现有方法预处理时间成本高以及未按医疗仪器促进协会(AAMI)标准分类等问题,提出了一种基于原始一维心电信号并按照AAMI推荐标准类别进行心律失常自动分类的方法。该方法首先利用卷积神经网络(CNN)学习心电信号的形态特征,之后通过双向长短期记忆网络(BLSTM)获取特征中的上下文依赖关系,最后借助softmax函数完成分类任务。方法采用mish函数作为激活函数,使得模型在训练中更为稳定。在公开数据库MIT-BIH上进行五折交叉验证,评估结果达到了99.11%的平均准确率,表明该模型可以有效地提取心电信号的特征,适用于监测系统中心律失常疾病的诊断。

基于深度学习的眼动跟踪数据融合算法

针对传统数据融合算法在多场景下的眼动跟踪数据融合效果较差的问题,提出一种新的基于深度学习的眼动跟踪数据融合算法,即Eye-CNN-BLSTM算法。该算法在原始眼动跟踪数据空间位置信息基础上添加新的人工特征;将卷积神经网络(Convolutional Neural Network,CNN)与双向长短时记忆网络(Bi-directional Long Short-Term Memory,BLSTM)结合,设计了新的融合结构。实验结果表明,与六种经典数据融合算法相比,该算法在OTB-100数据集上融合性能更优。

命名实体识别在中药名词和方剂名词识别中的应用

目的:利用命名实体识别(Named Entity Recognition)技术识别文本中出现的中药名词和方剂名词,并比较两种命名实体识别方法在识别中药名词和方剂名词时的表现。方法:方法一为利用现有的分词工具(如'结巴'中文分词工具等)对文本进行分词,之后使用分词后的结果进行中药名词和方剂名词的匹配。方法二为搭建并训练用于中药名词和方剂名词识别的双向长短期记忆(Bidirectional Long Short Term Memory,BLSTM)神经网络模型。首先,采用两种可行的方法实现命名实体识别。其次,比较这两种方法的表现。结果:现有分词工具对中药名词和方剂名词的分词不准确,因此,会导致接下来的匹配阶段出现错误。而通过BLSTM神经网络模型进行命名实体识别,不但可以避免分词错误,而且在实验中表现出较强的歧义处理能力。结论:在应用命名实体识别技术于识别中药名词和方剂名词时,相比使用分词工具先分词后识别,通过训练神经网络模型对中药名词和方剂名词直接识别的方法更合适。