RNN循环神经网络的服务机器人交互手势辨识

服务机器人交互过程中机器人重要关节点难以确定,导致交互手势辨识难以增加,因此设计一种基于RNN循环神经网络的服务机器人交互手势辨识方法。利用Kinect捕获服务机器人交互手势深度图像,确定服务机器人交互过程中的重要关节点,提取服务机器人交互手势特征。根据手势特征提取结果,定义手势模板,采用RNN循环神经网络对手势模板进行学习处理,搭建服务机器人交互手势辨识模型,得到相关的交互手势辨识结果。实验测试结果表明,采用所提方法可以快速获取高精度的服务机器人交互手势辨识结果,实际应用效果好。

基于RNN循环神经网络的金融风险预警研究——以安徽省为例

防范化解重大金融风险是三大攻坚战的重要组成部分,在受新冠疫情影响的经济新常态下,我国经济环境复杂多变,金融风险问题不断凸显.因此,金融风险预测防范不可掉以轻心,加大金融风险预测防范力度亟不可待.文章以安徽省为例,在详细分析其金融风险现状后,综合考虑金融风险的影响因素具有多维化、非线性、样本数据时序性等特征,建立了具有记忆能力的RNN循环神经网络模型对金融风险进行评估研究.结果表明,RNN循环神经网络可以较好地拟合和预测金融风险,成为预测评估的有效手段.

多船会遇场景下基于循环神经网络的船舶航速预测

为进一步提高复杂环境下的船舶航速预测精度,提出一种在多船会遇场景下基于循环神经网络(recurrent neural network,RNN)的船舶航速预测模型。从船舶自动识别系统(automatic identification system,AIS)数据中提取构成多船会遇场景的船舶航行动态信息(时间、航速等),采用插值法进行等时间间隔化处理,并构建基于RNN的船舶航速预测模型。采用长江口外水域的AIS数据,分别在不同会遇场景下进行实例验证。实验结果表明:在案例1和案例2场景下,RNN模型预测结果的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差均比长短期记忆神经网络模型和支持向量机模型的小,说明RNN模型的预测精度比其他两种模型的高。

基于JEC-FDTD等效循环神经网络的电磁建模和等离子体参数反演

磁化等离子体中的电磁波传播是重要的研究课题,针对特定场景下的电磁等离子耦合问题,进行有效且准确的方程建模与参数求解具有极强的研究价值和挑战性,这是探究电磁波与等离子体复杂非线性相互作用机制的关键。文中设计了一种可用于电磁等离子体正逆向建模的循环神经网络(recurrent neural network,RNN),该网络正向传播过程等价于任意磁倾角情况下的电流密度卷积时域有限差分(current density convolution finite-difference time-domain,JEC-FDTD)方法,因此可以求解给定的电磁建模问题,并易于大规模并行计算。通过构建前向可微模拟过程,JEC-FDTD方法可以使用自动微分技术准确且高效地计算梯度,然后通过训练网络来解决反问题。因此,该方法可以有效利用观测到的时域散射场信号反演重要的等离子体参数。JEC-FDTD方法和RNN相结合,形成了较强的协同效应,使得模型具有可解释性和高效的计算效率,受益于深度学习提供的优化策略和专用硬件支持,可以适用于不同仿真场景下的电磁建模和等离子体参数反演。

基于循环神经网络的自适应滤波方法及应用研究

针对目前地震工程研究领域在滤波方法上存在人为因素、峰值突刺、噪声干扰等方面的缺陷,结合递归最小二乘法(RLS)和循环神经网络(RNN)模型,提出了一种自适应滤波的新方法。研究分析表明,该方法通过设置自适应调节滤波器参数以及算法的自我迭代等方式进行滤波,对噪声识别能力和滤波速度上均优于美国地质调查局(United States Geological Survey,USGS)所推荐的传统滤波方法,并可有效降低滤波后对原始波形的失真损坏以及相位提前等问题。同时,运用所提自适应滤波方法将其应用于不同场地类型台站的含速度脉冲近场地震记录,进一步验证了自适应滤波方法的有效性和适用性。研究成果为地震工程领域的滤波分析提出了一种新思路和新方法,也可为地震记录处理及相关应用工作提供参考。

基于循环神经网络模型的无人机音频信号识别算法研究

近年来,无人机的广泛应用引发诸多隐私和安全问题。针对此问题,研究基于循环神经网络(Recurrent Neural Network,RNN)模型的无人机音频信号识别算法。首先,对于无人机的音频信号进行特征值提取,基于设计的RNN模型,设置3层长短期记忆网络(Long Short-Term Memory,LSTM)和3层Dropout。其次,在输出层使用Softmax作为激活函数输出结果,并在实验过程中不断更新神经元和Dropout的参数。最后,基于实际采集的音频数据进行无人机检测。实验结果表明,所提出算法的准确率达到96.33%,能够满足无人机检测的实际需求。

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.

基于神经网络的大数据分析在智慧交通中的应用

为提升交通流量预测的准确性和效率,研究基于神经网络的大数据分析在智慧交通中的应用。首先深入探讨智慧交通系统的整体架构,其次研究基于层归一化的循环神经网络(Recurrent Neural Network,RNN)优化方法,最后进行实验分析。实验结果表明,所提方法的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)明显优于传统标准RNN方法。

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

基于循环神经网络的腐蚀速率预测

采用循环神经网络(RNN)对腐蚀探针的监测数据(90%)进行训练,建立了管道腐蚀速率预测模型,并利用剩余的10%监测数据对模型的有效性进行了验证。结果表明:基于RNN建立的腐蚀速率预测模型能准确地预测出管道的腐蚀速率,预测值与监测数据的均方误差为0.008%,该方法可以为管道的腐蚀监测提供预警信息。

基于深度卷积神经网络和循环神经网络的睡眠分期模型

针对传统机器学习模型过于依赖特征工程、多导睡眠图(Polysomnography,PSG)数据获取难度大等问题,提出一种基于深度卷积神经网络(ConvolutionalNeuralNetworks,CNN)和循环神经网络(RecurrentNeural Network,RNN)的自动睡眠分期模型。该模型不需要烦琐的特征提取过程,仅使用单通道脑电信号即可在较高水准下完成自动睡眠分期,在公开数据集Sleep-EDF的Fpz-CZ通道脑电数据上实现了85.2%的分类准确率。

基于新型联合循环神经网络(RNN)模型的出水总氮预测

为了提高污水处理过程中出水TN的预测精度,提出一种基于联合RNN神经网络的出水TN预测算法。该联合RNN神经网络是基于传统RNN网络的改进型网络,其由一系列并排的单RNN网络构成,每个RNN网络的输出不仅与本网络的当前和历史输入相关,还与相邻RNN网络的历史输入相关。网络的训练过程分为两步,首先断开不同RNN网络的连接,单独训练每一个RNN网络,然后恢复不同RNN网络的连接,联合训练所有RNN网络。利用来自真实水厂的水质数据与常规RNN网络进行对比试验,试验结果显示,联合RNN网络的效果(R=0.902,E=0.245)好于常规RNN网络的效果(R=0.863,E=0.361),这证明所提出的算法提高了出水TN的预测精度。

几种神经网络经典模型综述

近年来深度学习在众多领域都有突出表现并展现出巨大应用潜力。神经网络模型是深度学习的重要载体,因此有必要对其进行深入分析。然而神经网络模型发展至今,呈现出种类多样化、应用专有化等特点,例如有用于目标检测的YOLO系列模型、机器翻译的Transformer系列模型等。本文试图通过对几种主要神经网络经典模型的剖析,找到一条了解深度学习的高效路径。本文首先对深度学习的发展进行概述;然后分别对卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)、图神经网络(GNN)从模型介绍、原理分析、网络训练、模型改进方面进行详细阐述;最后对上述神经网络模型进行总结并对深度学习未来发展进行展望。

基于神经网络的视觉语音识别系统

视觉语音识别(Audio-Visual Speech Recognition,AVSR)系统结合音频和视觉信息,提供可靠的语音识别功能。为了提高AVSR系统在低信噪比(Signal-to-Noise Ratio,SNR)环境下的识别准确率,提出一种基于循环神经网络(Recurrent Neural Network,RNN)的AVSR系统。该系统由音频特征提取模块、视觉特征提取模块以及音频和视觉特征联合模块3部分组成。特征联合模块利用RNN将基于梅尔频率倒谱系数的音频特征与OpenCV库中的Haar级联检测提取的视觉信息相结合,以提高系统识别率。实验结果表明,在低信噪比条件下,所提系统的正确识别率保持在89%左右。

结合注意力与循环神经网络的专家推荐算法

在线问答社区(CQA)已经成为互联网最重要的知识分享交流平台,将用户提出的海量问题有效推荐给可能解答的用户,挖掘用户感兴趣的问题是此类平台最核心功能。一些针对问答社区的专家推荐算法已经被提出用来提高平台解答效率,但是现有工作大多关注于用户兴趣与问题信息匹配,忽视了用户兴趣动态变化问题,可能会严重影响推荐质量。提出了结合注意力与循环神经网络的专家推荐算法,不仅实现了问题信息的深度特征编码,而且还能捕获动态变化的用户兴趣。首先,问题编码器在预训练词嵌入基础上结合卷积神经网络(CNN)和Attention注意力机制实现了问题标题与绑定标签的深度特征联合表示。然后,用户编码器在用户历史回答问题的时间序列上利用长短期记忆神经网络Bi-GRU模型捕捉动态兴趣,并结合用户固定标签信息表征长期兴趣。最后,根据两个编码器输出向量的相似性计算产生用户动态兴趣与长期兴趣相结合的推荐结果。在来自知乎问答社区的真实数据上进行了不同参数配置及不同算法的对比实验,结果表明该算法性能明显优于目前比较流行的深度学习专家推荐算法。

基于循环神经网络的PEMFC寿命预测

在长短期记忆(LSTM)循环神经网络(RNN)的基础上,通过减少控制门的数量,引入门控循环单元(GRU)RNN。利用质子交换膜燃料电池(PEMFC)在动态循环工况下的耐久性测试数据,训练、验证RNN模型,并对PEMFC的剩余使用寿命进行预测。基于GRU所得的预测结果,能准确跟随实际电压值的变化,在计算速度和准确度方面优于LSTM。在电流密度为0.71 A/cm2时,预测结果的均方误差可达0.0035。

口语理解中改进循环神经网络的应用

口语理解性能的提升对于口语对话系统的研究具有重要作用。为了提高口语理解性能,应用循环神经网络(RNN)及其变体(LSTM,GRU)方法。在此基础上,提出一种改进的循环神经网络(Modified-RNN)方法,该方法通过添加存储历史状态信息,能够存储更长时的信息,含有更少的参数,根据获取的更多信息提取特征信息增加获取信息的有效性,提高了口语理解的精准率和F1,缩短了实验时间。在航空旅行信息数据库(ATIS)上的实验结果验证了该算法的有效性和可靠性。

基于LSTM循环神经网络的短期电力负荷预测

为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。

基于循环神经网络的空中目标类型识别

为解决在空中目标类型识别过程中,目标特征单一导致识别准确率低的问题,提出一种将雷达信噪比与目标航迹特征相结合的基于循环神经网络(Recurrent Neural Network,RNN)的目标识别方法。该方法利用RNN模型在处理时序数据上的优势,挖掘雷达数据隐藏在时间层面的特征;扩展目标特征属性维度,利用智能化模型有效地将雷达信噪比与目标航迹特征相结合,提高目标识别的准确率。应用真实检飞数据,对该方法进行检验,并与传统方法进行对比分析。仿真结果表明,基于RNN的目标智能化识别方法具有更高的准确率。

基于卷积神经网络和LSTM循环神经网络的客户复购预测方法

通常一个销售代表会有数百名客户。销售代表无法定量预测哪位客户最近有下单需求,所以多采用轮询或者主观直觉的方式决定每天的回访客户名单。本文以深度学习的思路,把销售代表的历史回访记录作为输入数据,以卷积神经网络(CNN)和循环神经网络(RNN)为基础模型,让模型学习客户复购行为的内在逻辑以便指导初级销售代表的每日回访工作。相对传统回访策略,在深度学习算法辅助下的回访策略可以把回访相对成功率提高120%,取得了显著的效果。