基于神经网络的维汉翻译系统实现

小语种的机器翻译由于开发成本和用户规模等原因一般在开源系统的基础上实现在线服务系统。目前,神经机器翻译提供的源代码以theano编写的居多,但是theano编写的机器翻译因翻译速度较慢而无法满足用户需求。在此以如何实现基于theano的稳定维汉神经网络机器翻译系统为目标开展研究,翻译模型采用ALU神经元的多层双向网络框架,使用django实现了翻译服务接口,选用nginx+uwsgi实现了负载均衡以提高翻译速度。实验结果表明,相比于5个翻译引擎构成的系统,10个翻译引擎的系统翻译速度得到1.3～1.55倍的提高。该文的研究结果对于利用开源系统快速实现能够满足日访问量1 000万次以下的翻译系统具有重要参考价值。

深度学习在鱼类图像识别与分类中的应用

各国已经开始利用摄像头来监控渔船的捕捞活动,并运用机器学习技术来对渔船捕获的鱼类图像进行自动的识别与分类从而扼制非法的捕捞。目前非法、无序的渔业捕捞严重威胁海洋生态环境和全球的海产品的可持续供应。为了准确的对采集的图像进行分类,利用机器学习技术,设计了一种基于卷积神经网络的鱼类图像分类系统。利用该模型对鱼类进行分类,分类准确率达到了96.99%,实现了预期目标。

基于深度学习对陶瓷梭式窑火焰图像识别

针对我们对陶瓷梭式窑火焰图像识别的速度跟速率比较慢的问题,我们提出了深度学习方法。应用深度学习中的几种多层神经网络结构运用到对陶瓷梭式窑的火焰图像识别上,比如通过Theano库上采用Mnist手写数字集进行实验,卷积神经网络的结构及计算求解,训练过程应用到陶瓷梭式窑的火焰识别上可以提高对陶瓷梭式窑火焰识别的准确率。