基于CNN-RNN集成的隧道事故异常声音识别

为提高公路隧道事故异常声音识别的准确率,并针对卷积神经网络只关注局部信息问题,提出了一种基于CNN-RNN集成的声音识别模型。该模型采用Stacking集成策略将CNN的强特征表达能力和RNN的强记忆能力相结合,并使用门控循环单元减少循环神经网络的计算复杂度,将SIREN正弦周期函数作为RNN的隐式激活函数,增强模型对声音数据的拟合能力,设计多通道卷积细化特征提取的精度,实现全局化特征提取。在异常声音数据集上评估了所提声音识别模型的识别性能,实验结果表明:提出的声音模型的识别性能高于其他模型,且更加稳健,可有效识别公路隧道事故的异常声音。

基于CNN-RNN组合模型的凝汽式汽轮机能耗预测研究

常规的凝汽式汽轮机能耗预测方法主要采用瞬态/稳态并行分析法生成汽轮机能耗预测模型,该方法易受临界负荷的影响,导致热耗预测偏差较大过高。因此,本文提出基于卷积循环神经网络(CNN-RNN)组合模型的凝汽式汽轮机能耗预测研究,利用R检验法筛选并生成凝汽式汽轮机能耗特征参数工况库,结合CNN-RNN组合模型消除凝汽式汽轮机能耗预测偏差,从而完成凝汽式汽轮机能耗预测。结果表明,设计的基于凝汽式汽轮机能耗CNN-RNN组合模型的凝汽式汽轮机能耗预测方法的热耗预测偏差较小,证明该方法的预测效果较好,具备较高的准确性和一定的应用价值,为优化汽轮机的运行方案提供了一定贡献。

一种基于CNN-RNN模型的图像检索技术

图像检索是一项重要的研究课题,涉及如何快速、准确地检索和管理海量的图像数据。传统的图像检索技术主要依赖图像的视觉特征或文本描述进行匹配,但是难以充分理解图像的语义信息,对复杂场景的适应性较差。针对这一问题,文章提出了一种基于卷积神经网络-循环神经网络(Convolutional Neural Networks-Recurrent Neural Network,CNN-RNN)模型的图像检索技术。该技术将CNN和RNN相结合,构建了一个统一的深度学习框架。其中,CNN模型用于从图像中提取全局特征,RNN模型用于学习图像与标签之间的语义关联和共现依赖。文章通过将CNN输出的特征序列输入到RNN模型中,实现了对图像全局语义信息的捕获。将设计系统在多个数据集上进行实验,结果表明,设计的方法能够有效提高图像检索的效率和准确性。

考虑微震前兆特征的CNN-GRU冲击危险性分析模型

微震数据对于冲击危险性分析极为重要,但一般情况下微震事件缺少危险与否的标签,同时模型设计较少考虑微震自身特征,由此导致了模型性能不足的问题。通过对某煤矿微震事件显现特征进行跟踪标定,获得了具有危险性标签的微震数据集,针对性提出了一种基于CNN-GRU模型的微震危险性分析方法,该方法考虑了微震前兆特征,利用微震监测数据的时间、地点和能量建立特征指标;将建立的初始数据集,在时间尺度上分为训练集、验证集和测试集,并对危险和非危险样本不平衡的问题进行处理;最后利用训练集对CNN-GRU模型进行训练,将在验证集上效果最好的模型用于测试,严格规范了模型的泛化能力。该方法在对某矿山的微震监测事件的危险性分析中取得了很好的效果,证明了在选取合适分析特征的基础上,利用深度学习方法对冲击危险状态进行分析是可靠的。

基于CNN和RNN联合网络的心音自动分类

为充分利用心音的全局信息,提出不依赖于分割的心音自动分类方法。对目前的心音分类方法进行总结,分析单阶段和两阶段方法的优势与不足,提出以深度学习提取更好的全局特征作为提升分类效果的新方向。使用精调的卷积神经网络和循环神经网络分别提取心音的频域和时域特征,辅以数据增强的方法进行训练。该方法在测试集的平均分类准确率达到了85.7%,达到了目前单阶段心音分类方法中的最好效果。

基于RNN-CNN集成深度学习模型的PM_(2.5)小时浓度预测

针对目前大部分PM_(2.5)预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_(2.5)时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_(2.5)小时浓度预测。

基于RNN和CNN的蒙汉神经机器翻译研究

该文探讨了基于RNN和CNN的蒙汉神经机器翻译模型,分别采用蒙古语的词模型、切分模型和子词模型作为翻译系统的输入信号,并与传统的基于短语的SMT进行了比较分析。实验结果表明,子词模型可以有效地提高RNN NMT和CNN NMT的翻译质量。同时实验结果也表明,基于RNN的蒙汉NMT模型的翻译性能已经超过传统的基于短语的蒙汉SMT模型。

基于CNN-RNN深度学习的图片描述方法与优化

为了提高模型的泛化能力,将机器翻译的编-解码模型引入图片描述中.首先,提出了CNN-RNN模型:CNN负责编码,RNN负责解码,RNN模型采用LSTM网络.接着,考虑到该模型一定程度上忽略了图片的局部区域特征和图片语义信息,因此又提出改进的CNN-MIL-DRN模型.该模型考虑了属性概率向量,并将多个时刻状态堆叠在一个时刻的计算中,加深了非线性变换的复杂深度.最后,采用MS COCO C5进行模型测试,以AP及5个不用的阈值测试不同指标,同时选取一些目前较新的模型作对比,从而得到CNN-MIL-DRN模型的最优效果.

基于CNN-RNN组合模型的办公建筑能耗预测

为准确反映办公建筑的运行特性,利用卷积神经网络(CNN)良好的特征提取能力与循环神经网络(RNN)良好的时序学习能力,提出用于预测办公建筑能耗的CNN-RNN组合模型,并对应设计了适用于深度学习模型的二维矩阵数据输入结构.案例分析结果表明,相较于简单循环神经网络和长短期记忆网络,CNN-RNN组合模型的预测精度与计算效率均显著提升,模型泛化性好.

CNN-RNN融合法在旋转机械故障诊断中的应用

针对目前旋转机械故障诊断存在运算时间长、精度不高等问题,将CNN的特征提取能力和RNN时序处理能力相结合,提出了CNN-RNN融合分析法.该方法使用一维CNN网络提取特征数据,剔除受环境噪音等因素影响的无效信息且依然具有时序性,再由处理时序数据精度较高的RNN对该特征数据进行计算处理进而对旋转机械进行故障诊断.在测试集上的验证实验结果表明,该方法不需要手动提取特征数据,运算时间大约减少1/2,故障诊断精度提高约2%,具有可行性.

基于CNN-HMM和RNN的维吾尔语语音识别

神经网络模型的发展给资源匮乏语言的语音及语言信息处理带来新的机遇,基于神经网络的少数民族语言的语音识别系统效率及准确率比传统方法有了很大提高。对于大词汇量语音识别系统,适当选择声学模型和语言模型很重要。对较小的维吾尔语语料库(THUYG公开语料库)进行了深入研究,采用Kaldi开源语音识别平台将深度的CNN-HMM作为声学模型,通过理论分析和对比实验,分别在N-gram和RNN两种语言模型上进行对比实验。实验结果表明,基于神经网络RNN语言模型的系统有更好的识别效果,提升了维吾尔语语音识别准确率,并将词错误率降到15.06%。

基于循环神经网络(RNN)和卷积神经网络(CNN)对电子邮件的作者识别

文章针对如何捕获电子邮件的语言特征来识别作者的问题进行了研究建模,首先使用NLTK自然语言处理工具对文本进行了预处理,然后使用Word2Vec和GloVe模型对文本内容进行了嵌入化处理得到了词向量,接着文章使用改进的基于TextCNN的网络架构,使用改进的基于CLSTM的网络架构和提出了一种新的基于循环神经网络(RNN)和卷积神经网络(CNN)的网络架构来解决文章的问题,并且采用集成学习的方法对上述三种单一模型进行模型融合作为最终的模型来识别作者,最终的效果较好。

深度学习在基因组学中的研究进展

随着高通量测序技术的迅猛发展,基因组学领域迎来了数据量的爆炸性增长,这对传统生物信息学处理复杂数据模式的能力构成了严峻挑战。在此技术革新的关键时刻,深度学习作为人工智能领域的前沿技术,以其强大的数据解析与模式识别能力,为基因组学研究注入了新的活力。本文聚焦于4种核心深度学习模型——卷积神经网络(convolution neural network,CNN)、循环神经网络(recurrent neural network,RNN)、长短期记忆网络(long short term memory,LSTM)及生成对抗网络(generative adversarial network,GAN),系统阐述了它们的基础原理,重点回顾了这些模型近5年在DNA、RNA和蛋白质研究领域的广泛应用。此外,文章进一步探讨了深度学习在畜禽基因组学中的应用案例,揭示了其在遗传特征解析、疾病预防以及遗传改良等领域的潜在应用价值与面临的挑战。通过深入分析,本文旨在阐述深度学习技术在增强基因组数据分析的准确性和处理能力方面的作用,并构建一个概念性框架,以指导畜禽基因组学研究策略的发展及其在具体场景下的应用,进而推动精准农业和遗传改良技术的发展。

基于神经网络的VSLAM综述

传统的基于视觉的SLAM技术成果颇丰,但在具有挑战性的环境中难以取得想要的效果.深度学习推动了计算机视觉领域的快速发展,并在图像处理中展现出愈加突出的优势.将深度学习与基于视觉的SLAM结合是一个热门话题,诸多研究人员的努力使二者的广泛结合成为可能.本文从深度学习经典的神经网络入手,介绍了深度学习与传统基于视觉的SLAM算法的结合,概述了卷积神经网络(CNN)与循环神经网络(RNN)在深度估计、位姿估计、闭环检测等方面的成就,分析了神经网络在语义信息提取方面的优点,以期为未来自主移动机器人真正自主化提供帮助.最后,对未来VSLAM发展进行了展望.

基于卷积循环神经网络的运动想象脑电信号模式识别

脑机接口技术可以帮助运动障碍人员通过外部设备与环境进行交互。为了提高对运动想象激发的脑电信号的识别率,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和循环神经网络(Recurrent Neural Network, RNN)的混合神经网络模式识别方法,并在实际计算中使用长短期记忆神经网络(Long Short-Term Memory, LSTM)和门控循环单元(Gated Recurrent Unit, GRU)两种不同的RNN进行对比。对原始脑电信号数据进行滤波和分段处理,将处理好的数据输入到混合神经网络中,使用Softmax进行分类,用BCI竞赛IV中的数据集2a和数据集1两种脑电数据集进行验证,此方法能够有效地提高模式识别精度,平均准确率达到了95%以上。

Text-CRNN+attention架构下的多类别文本信息分类

迄今为止,传统机器学习方法依赖人工提取特征,复杂度高;深度学习网络本身特征表达能力强,但模型可解释性弱导致关键特征信息丢失。为此,以网络层次结合的方式设计了CRNN并引入attention机制,提出一种Text-CRNN+attention模型用于文本分类。首先利用CNN处理局部特征的位置不变性,提取高效局部特征信息;然后在RNN进行序列特征建模时引入attention机制对每一时刻输出序列信息进行自动加权,减少关键特征的丢失,最后完成时间和空间上的特征提取。实验结果表明,提出模型较其他模型准确率提升了2%~3%;在提取文本特征时,该模型既保证了数据的局部相关性又起到强化序列特征的有效组合能力。

基于深度残差网络和注意力机制的特殊车牌识别

为解决现有车牌识别算法在面对旋转倾斜车牌以及双行车牌图像时识别精度偏低的问题,提出一种基于深度残差网络和注意力机制的特殊车牌识别算法。优化深度残差网络结构,使模型更好提取低分辨率车牌图像的特征;取消对特征图平均池化操作,在保留图像全局特征的前提下,将多维特征化为特征序列;引入注意力机制对特征序列并行解码,加快模型推理速度,提升特殊车牌的识别精度。实验结果表明,与现有的文字识别模型CRNN、DAN、ASTER对比,在公开车牌数据集CCPD上取得了更高的准确率,验证了模型的有效性。

基于1D-CNN+GRU的光伏阵列故障诊断方法研究

传统神经网络模型无法有效提取信号时序特征。为充分利用光伏阵列信号的时序相关性特征、增强神经网络模型对数据的挖掘能力、更好地提升卷积神经网络(CNN)分类精度,把CNN和门控循环单元(GRU)相结合,提出了新的光伏阵列故障诊断方法。首先,利用CNN对数据进行标签处理。然后,将提取的标签作为GRU的输入,进一步提取时空特征。为加强该方法分类优势,添加了自适应批量归一化(AdaBN)函数。试验结果表明,该方法较传统神经网络分类方法更具优越性,提高了光伏阵列故障分类的准确率。最后,通过增加噪声模拟现场环境,验证了结果的正确性。

基于SeqGAN和Bi-GRU实施过采样的SVD方法

近年来,基于深度学习的软件漏洞检测方法,在开源C/C++漏洞数据集上取得了97%的准确率。然而,由于漏洞样本占比较低而导致的类不平衡问题,以上方法的误报率和漏报率较高。鉴于SeqGAN的生成策略和Bi-GRU的表征学习能力,提出了基于SeqGAN、Bi-GRU和TextCNN的软件漏洞检测方法。利用SeqGAN对开源C/C++漏洞数据集进行过采样处理以生成过采样漏洞样本,经Bi-GRU挖掘过采样漏洞样本和真实漏洞样本的共有潜在特征,最终提高TextCNN对真实漏洞样本的检测性能。实验结果表明,所提方法在7个开源软件项目的C/C++汇总漏洞数据集上取得了0.9538的F1 score,与TextCNN在应用降采样技术RUS处理后的数据集上的测试结果相比,提高了12.3%;与先进的基于深度学习的软件漏洞检测方法,如VulDeePecker相比,提高了82.5%。

基于CNN-LSTM网络的睡眠分期研究

睡眠分期是睡眠数据分析的基础,用自动标定方法来替代人工标定方法可以提高效率,结果也更为客观。不管是人工手动标定还是自动标定都是基于多导睡眠图(Polysomnography,PSG)。采用长短时记忆模型(LSTM-RNN)及长短时记忆模型与卷积神经网络(CNN)相结合的模型(CNN-LSTM)对三个通道信号(EEG、EOG、EMG)的组合进行自动睡眠分期研究。通过对9个受试数据进行分析,LSTM-RNN和CNN-LSTM分别达到了81.9%和83.1%的分类准确率。相对于LSTM-RNN模型,结合卷积神经网络的CNN-LSTM模型获得的分期准确率更高,平均准确率提高了1.2%。