面向短文本的增强上下文神经主题模型

目前的主题模型大多数基于自身文本的词共现信息进行建模,并没有引入主题的稀疏约束来提升模型的主题抽取能力,此外短文本本身存在词共现稀疏的问题,该问题严重影响了短文本主题建模的准确性。针对以上问题,提出了一种增强上下文神经主题模型(enhanced context neural topic model,ECNTM)。ECNTM基于主题控制器对主题进行稀疏性约束,过滤掉不相关的主题,同时模型的输入变成BOW向量和SBERT句子嵌入的拼接,在高斯解码器中,通过在嵌入空间中将单词上的主题分布处理为多元高斯分布或高斯混合分布,显式地丰富了短文本有限的上下文信息,解决了短文本词共现特征稀疏问题。在WS、Reuters、KOS、20 NewsGroups四个公开数据集上的实验结果表明,该模型在困惑度、主题一致性以及文本分类准确率上相较基准模型均有明显提升,证明了引入主题稀疏约束特性以及丰富的上下文信息到短文本主题建模的有效性。

电动汽车车内声品质评价研究进展

为全面梳理电动汽车车内声品质评价的发展现状,明确未来趋势,本文首先介绍了电动汽车车内声品质的研究进展和特点;然后详细介绍A声级对于电动汽车车内声品质评价的局限性、心理声学参量以及一些非传统参量客观评价方法;接着归纳了电动汽车车内声品质主观评价方法及其优缺点;之后重点分类总结了国内外电动汽车车内声品质客观量化模型;最后对电动汽车声品质评价进行了总结和展望,认为在未来以高精度客观评价模型代替传统主观评价方法,缩短评价时间与成本,提高评价准确性将是电动汽车车内声品质评价发展的重要方向。

车用柴油机噪声品质预测模型的建立

车用柴油机辐射噪声已成为环境污染噪声的重要组成部分,开展车用柴油机噪声品质的预测与评估研究具有重要的理论与实际意义。以Q型车用柴油机为例,研究其在变负荷及转速工况下表面辐射噪声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计奠定了理论基础。研究国内外车用柴油机客观评价特征,选取物理声学特征峭度、冲击量特性以及心理声学特征响度、尖锐度、粗糙度和波动强度参量来描述辐射噪声的客观特征;针对柴油机噪声特点,采用分类对偶比较法开展以专业听审人群为目标的综合满意度评价研究;应用多层感知器神经网络算法建立起该车用柴油机声品质预测模型。研究表明,车用柴油机噪声品质预测模型能够准确地反映客观评价参量与主观满意度之间的非线性映射关系。

车内声品质主客观评价模型对比分析

为了研究轿车理想的车内声品质主客观评价模型,采集某轿车在时速为60 km·h^(-1)时,车内播放不同音乐时的驾驶员双耳噪声样本.对声样本进行剪辑、等响及分频段等预处理,基于成对比较法进行车内声品质主观评价试验、客观参量计算并建立了多元线性回归、BP神经网络和径向基函数(RBF)3种评价模型.评价模型的预测效果表明:多元线性回归评价模型各个频段的误差较大,稳定性较差,车内声品质的评价为非线性过程;BP神经网络预测模型整体频段的误差最小,频率为160~1 280 Hz时的误差较大,相比多元线性回归模型误差进一步缩小,但距理想的预测效果还有一定的距离;基于径向基函数评价模型误差基本能控制在20%以内,且稳定性较高,能够较好地预测此试验工况下的声品质.

IP网络质量的主客观评价融合模型

针对IP网络质量评价问题,利用BP神经网络构建一种主客观特征融合的评价模型。主客观2个评价网络分别进行自适应学习,在学习输出稳定后,2个BP神经网络通过相互共振学习使主客观评价数据融合,由此获得一致的评价结果。结合用户感知的主观评价和多种客观性能评价指标对该模型进行仿真,实验结果表明,模型具有较强的抗噪性能,可以较好地满足IP网络质量的综合评价要求。

融合LDA的卷积神经网络主题爬虫研究

传统的主题爬虫在计算主题相似度时,通常采用基于词频、向量空间模型以及语义相似度的方法,给相似度计算准确率的提升带来一定瓶颈。因此,提出融合LDA的卷积神经网络主题爬虫,将主题判断模块视为文本分类问题,利用深度神经网络提升主题爬虫的性能。在卷积层之后拼接LDA提取的主题特征,弥补传统卷积神经网络的主题信息缺失。实验结果表明,该方法可以有效提升主题判断模块的平均准确率,在真实爬取环境中相比其他方法更具优势。

某混合动力汽车非稳态车内声品质评价研究

针对某混合动力汽车非稳态工况下的车内声品质评价进行研究。采集该车内不同位置、不同驱动模式以及不同车速情况下的车内噪声样本,对不同的非稳态工况进行客观参量分析,得出电机单独驱动模式下可以用尖锐度评价非稳态车内声品质、混合驱动与发动机单独驱动模式下可以用响度评价非稳态车内声品质的结论。基于BP神经网络模型,进行基于心理声学客观参量与临界频率带解析小波分解的非稳态车内声品质评价,预测结果表明后者的预测效果优于前者,且稳定性较高。

基于深度学习的智能聊天机器人的研究与实现

伴随着深度学习不断深入的研究,该技术已经被应用到词向量表示、机器翻译、自然语言理解、情感分析和中文分词领域。目前,许多研究人员已经对聊天机器人的主要技术进行了深入的研究,机器学习中的深度学习技术也被逐渐的应用到研究中。本文阐述了聊天机器人存在的主要问题,针对存在的问题分别阐述了本文提出的LSTM-LDA神经网络主题模型以及Attention+Bi-LSTM的seq2seq模型,描述聊天机器人的模型,最后对本文提出的BT-DLL Model(基于Sequence to Sequence框架)进行了实验设计。

基于集成神经网络的织物主观风格预测研究

针对织物主观风格评价问题,建立了基于D-S证据理论的集成神经网络风格预测模型。分别采用径向基函数(RBF)神经网络和反向传播(BP)神经网络进行预测,得到初步的预测结果,经过归一化后得到2组基本概率分配函数,运用D-S证据理论进行融合得到最终预测结果。对510块来自中国国际纺织面料及辅料博览会的面料进行试验表明,使用基于D-S证据理论的集成神经网络进行织物主观风格预测比单一神经网络的准确率最高可以提高17.74%,将集成神经网络模型通过织物成分分类器优化,预测准确率可以更高。

基于人脸图像和脑电的连续情绪识别方法

基于多模态生理数据的连续情绪识别技术在多个领域有重要用途,但碍于被试数据的缺乏和情绪的主观性,情绪识别模型的训练仍需更多的生理模态数据,且依赖于同源被试数据.本文基于人脸图像和脑电提出了多种连续情绪识别方法.在人脸图像模态,为解决人脸图像数据集少而造成的过拟合问题,本文提出了利用迁移学习技术训练的多任务卷积神经网络模型.在脑电信号模态,本文提出了两种情绪识别模型:第一个是基于支持向量机的被试依赖型模型,当测试数据与训练数据同源时有较高准确率;第二个是为降低脑电信号的个体差异性和非平稳特性对情绪识别的影响而提出的跨被试型模型,该模型基于长短时记忆网络,在测试数据和训练数据不同源的情况下也具有稳定的情绪识别性能.为提高对同源数据的情绪识别准确率,本文提出两种融合多模态决策层情绪信息的方法:枚举权重方法和自适应增强方法.实验表明:当测试数据与训练数据同源时,在最佳情况下,双模态情绪识别模型在情绪唤醒度维度和效价维度的平均准确率分别达74.23%和80.30%;而当测试数据与训练数据不同源时,长短时记忆网络跨被试型模型在情绪唤醒度维度和效价维度的准确率分别为58.65%和51.70%.

基于BP网络的机组工作量评估方法研究

为研究机组工作量的评估问题,搭建了模拟飞行实验平台,设定了7种不同负荷的飞行任务。模拟飞行中,对被试的生理指标进行测量,并采集其主观评价值。采用BP网络进行数学建模,将生理指标测量值作为输入、NASA-TLX表法的评价值作为输出,利用输入、输出模式对对网络进行训练,并对该方法进行验证。结果表明,基于BP网络的机组工作量评估方法,较传统方法更为稳定、精确,且大大降低了被试数量。提高训练模式对的数量、简化生理指标的测量过程,并保证测量精度是该方法成功的关键。