大部分系统使用深度学习技术完成语音识别任务,并取得良好的效果。但是,基于深度学习的语音识别技术对计算机硬件算力的要求较高,同时需要大量的语音样本对语音识别模型进行训练。针对这些问题,基于改进后的动态时间归整(Dynamic Time W...大部分系统使用深度学习技术完成语音识别任务,并取得良好的效果。但是,基于深度学习的语音识别技术对计算机硬件算力的要求较高,同时需要大量的语音样本对语音识别模型进行训练。针对这些问题,基于改进后的动态时间归整(Dynamic Time Warping,DTW)算法设计并实现了一个语音识别系统。展开更多
针对舰载机着舰训练,提出了一种基于微分思想和动态时间弯曲(dynamic time warping, DTW)的飞行员驾驶技能评估方法。首先,将着舰过程分解为多元时间序列,通过对着舰过程的分析,选取飞行高度、下沉速度和对中偏差等5个特征参数作为指标...针对舰载机着舰训练,提出了一种基于微分思想和动态时间弯曲(dynamic time warping, DTW)的飞行员驾驶技能评估方法。首先,将着舰过程分解为多元时间序列,通过对着舰过程的分析,选取飞行高度、下沉速度和对中偏差等5个特征参数作为指标,并且拟合出各指标的标准曲线;然后,对选取的特征参数进行微分分段处理,利用特征参数间的关系进行降维表示;最后,利用DTW对评估模型进行计算,实现着舰技能的评估。算例分析表明,基于微分思想和DTW方法对飞行员着舰技能评估具有很好的适用性,有利于促进飞行员着舰技能的提高。展开更多
磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提...磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping,LSDTW)和优化k-medoids的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping,DTW)得到的计算结果对噪声高度敏感的缺点,使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响,其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足,提出使用异常迭代模式(Abnormal Pattern,AP)优化k-medoids方法选取代表性的初始集群中心。采用优化k-medoids方法对LS-DTW的结果进行聚类分析,以平均轮廓系数作为评价标准,对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知,经本文方法聚类后,类内紧致性更优。展开更多
文摘针对舰载机着舰训练,提出了一种基于微分思想和动态时间弯曲(dynamic time warping, DTW)的飞行员驾驶技能评估方法。首先,将着舰过程分解为多元时间序列,通过对着舰过程的分析,选取飞行高度、下沉速度和对中偏差等5个特征参数作为指标,并且拟合出各指标的标准曲线;然后,对选取的特征参数进行微分分段处理,利用特征参数间的关系进行降维表示;最后,利用DTW对评估模型进行计算,实现着舰技能的评估。算例分析表明,基于微分思想和DTW方法对飞行员着舰技能评估具有很好的适用性,有利于促进飞行员着舰技能的提高。
文摘磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping,LSDTW)和优化k-medoids的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping,DTW)得到的计算结果对噪声高度敏感的缺点,使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响,其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足,提出使用异常迭代模式(Abnormal Pattern,AP)优化k-medoids方法选取代表性的初始集群中心。采用优化k-medoids方法对LS-DTW的结果进行聚类分析,以平均轮廓系数作为评价标准,对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知,经本文方法聚类后,类内紧致性更优。