检索结果-南通市图书馆

第37届中国控制会议

作者： Xu Zhang Yuanyuan Zou Shaoyuan Li Shenghu Xu Department of Automation Shanghai Jiao Tong University and Key Laboratory of System Control and Information ProcessingMinistry of Education of China Sinopec Jiujiang Company

This paper studies product yields forecasting for fluid catalytic cracking unit（FCCU）. Conventional product yields forecasting is usually based on mechanism model, which may ignore some significant factors due to manual *** learning methods can extract features automatically based on data without prior knowledge. Considering bidirectional temporal features and spatial features of FCCU, deep bidirectional long-short-term memory（dblstm） network is proposed for product yields forecasting. The bidirectional structure can capture bidirectional temporal features of FCCU by considering previous information as well as future information over a period of time. Significant spatial features of sensors at each time step can be extracted automatically through a deep structure by stacking multiple bidirectional structures. Moreover, the deep bidirectional LSTM network can deal with long-term dependencies by integrating deep bidirectional structure with LSTM *** avoid overfitting, regularization adopted in this paper is dropout and early stopping. Efficacy of the dblstm approach is demonstrated by process data from an actual FCCU in China. Through the comparison of mean squared error on product yields forecasting, the dblstm approach is superior to traditional regression models and other recurrent models.

关键词： product yields forecasting bidirectional temporal features spatial features dblstm FCCU

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于深度学习的大词汇量连续语音识别的研究

基于深度学习的大词汇量连续语音识别的研究

作者：刘宇重庆邮电大学

学位级别：硕士

自动语音识别的主要目的是让机器可以“听懂”人们说话的内容,并将语音信号转化为文本信息,能实现人类与机器之间快速、无障碍的交流。近年来,随着深度学习技术的广泛应用,DNN-HMM语音识别架构逐渐取代了传统的GMM-HMM语音识别架构,成... 详细信息

自动语音识别的主要目的是让机器可以“听懂”人们说话的内容,并将语音信号转化为文本信息,能实现人类与机器之间快速、无障碍的交流。近年来,随着深度学习技术的广泛应用,DNN-HMM语音识别架构逐渐取代了传统的GMM-HMM语音识别架构,成为当前大词汇量连续语音识别系统的主流架构。本文以深度学习为基础,从特征提取和声学模型两个方面展开深入研究,具有较高的理论意义和研究价值。首先,阐述了语音识别技术的国内外研究现状,介绍了深度学习理论基础和语音识别关键技术,对基于深度学习的大词汇量连续语音识别系统的整体方案进行了设计。着重分析原始声学特征提取和DNN-HMM声学模型存在的不足之处,明确本论文研究的关键技术是语音特征提取和声学模型优化。其次,针对MFCC、Fbank、瓶颈特征等常用语音特征对语音前后帧相关性信息提取不足导致识别率不高的问题,提出一种基于重叠组套索稀疏深度神经网络的语音瓶颈特征提取改进方法。该方法利用重叠组套索算法对DNN进行改进,并从MFCC声学特征中提取到具有语音相关性信息的语音瓶颈特征。实验结果表明,利用DNN得到的语音瓶颈特征与原始的MFCC相比,语音识别率得到显著提高。然后,为解决dblstm中常出现的梯度消失和模型过拟合问题,提出利用Maxout神经元和Dropout正则化算法改进dblstm-HMM声学模型。为适应dblstm对语音信息每个时间步长的双向依赖性,进一步提出利用CSC-BPTT训练算法训练dblstm神经网络。实验结果表明本文改进的dblstm-HMM声学模型优于DNN-HMM、RNN-HMM等典型的声学模型,语音识别性能得到较大的提高。最后,利用本文改进的语音特征提取方法和声学模型构建基于dblstm-HMM的大词汇量连续语音识别系统,并在THCHS-30中文语料库和自制语料库中进行实验验证和分析。实验结果表明,本文建立的语音识别系统与传统的基于DNN-HMM的语音识别系统相比,WER低7.44%,系统泛化能力更强,语音识别率更高。

关键词：大词汇量连续语音识别深度学习语音瓶颈特征 dblstm

面向移动轨迹大数据挖掘分析的交通流量预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向移动轨迹大数据挖掘分析的交通流量预测研究

作者：杨楠贵州民族大学

学位级别：硕士

基于人工智能、机器学习和数据挖掘等智能计算的大数据分析技术,已成为当前科学领域的研究热点,利用大数据技术提升交通管理能力是打造智慧城市的新理念与新实践。交通流量预测是构建智能交通系统的基础和提供实时交通应用的关键,尤其... 详细信息

基于人工智能、机器学习和数据挖掘等智能计算的大数据分析技术,已成为当前科学领域的研究热点,利用大数据技术提升交通管理能力是打造智慧城市的新理念与新实践。交通流量预测是构建智能交通系统的基础和提供实时交通应用的关键,尤其是准确的交通流量预测可以帮助制定可靠的交通管理和控制策略。本文基于Spark分布式计算平台,结合大规模移动轨迹数据（出租车GPS轨迹数据）,研究交通流量预测方法及其应用,旨在于提高交通流量预测的准确性、鲁棒性和可扩展性,为复杂交通网络的动态监测和预警控制提供理论基础和技术支撑。本文研究的主要工作及创新性如下:1.数据预处理。首先,为了解决集中式挖掘平台下在处理移动轨迹大数据时存在的计算与存储问题,基于Spark分布式计算平台,实现移动轨迹数据的分布式存储和并行计算;其次,为减少轨迹数据与原始数据存在的差异对预测精度的影响,利用弹性分布式数据集（RDD）进行数据读取、数据排序、数据统计、数据整合和数据存储等,实现交通流量数据预处理;最后,利用卡尔兹曼滤波器（KF）对移动轨迹大数据进行数据平滑处理。2.基于分布式SW-Bi LSTM模型的交通流量预测。针对集中式挖掘平台下传统双向长短期记忆（Bi LSTM）神经网络模型在处理交通大数据时存在的计算与存储问题,提出一种基于Spark的双向长短期记忆神经网络权重模型（SW-Bi LSTM）。首先,基于Spark框架提出分布式SW-Bi LSTM模型,利用正态分布对路段间的相互影响进行加权;其次,利用时间窗口将加权后的交通流量送入Bi LSTM模型中进行训练,并捕捉过去-未来时刻的交通流量信息;最后,结合真实的出租车GPS轨迹大数据,实现分布式SW-Bi LSTM模型的交通流量预测。3.基于并行NAW-dblstm算法的交通流量预测。针对无法有效考虑各路段之间空间相关性的影响权重和难以捕捉交通流量的非线性特征等问题,提出了一种Spark框架下基于正态分布和注意力机制加权的并行深度双向长短期记忆网络优化算法（NAW-dblstm）。首先,基于Spark分布式计算平台,提出并行NAW-dblstm算法,以提高交通流量预测的准确性和可扩展性,该算法利用注意力机制和正态分布对dblstm神经网络进行优化;其次,利用时间窗口对交通流量进行预测;最后,结合真实的出租车GPS轨迹数据实现并行NAW-dblstm算法的交通流量预测。

关键词：大数据分析交通流量预测 BiLSTM dblstm 正态分布注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向时空特性分析的交通流预测研究

面向时空特性分析的交通流预测研究

作者：申冰琪贵州民族大学

学位级别：硕士

交通流预测是智慧交通发展的基石,旨在预测城市交通系统未来的状况(如交通流量和速度等),在交通调度和管理及中发挥着至关重要的作用。本文针对交通流的时空特性,分析不同类型交通流数据的特点,构建基于时空特性分析的交通流预测算法,... 详细信息

交通流预测是智慧交通发展的基石,旨在预测城市交通系统未来的状况(如交通流量和速度等),在交通调度和管理及中发挥着至关重要的作用。本文针对交通流的时空特性,分析不同类型交通流数据的特点,构建基于时空特性分析的交通流预测算法,实现交通流的精准预测,致力于从历史数据中提取交通变化规律,感知未来的交通态势,为交通管控和预警控制提供理论基础和技术支撑。本文的具体研究工作及创新性如下:1.数据预处理。针对出租车GPS轨迹数据,利用弹性分布式数据集(RDD)进行数据读取、数据排序、数据统计、数据整合和数据存储,基于卡尔曼滤波器(KF)对数据进行平滑处理,减弱噪声数据对预测精度的影响;针对高速路网探测器数据,采用线性插值法对缺失值进行填充,基于Z-score标准化对数据进行归一化处理,提高模型精度以及提升训练时期模型的收敛速度,按照三种不同的时间尺度将数据划分为邻近周期、日周期、周周期三个分量,充分捕捉交通流的周期性特征。2.基于DSA-dblstm算法的交通流预测。针对未能充分建模交通流时间模式相似度和深层次非线性特征等问题,提出一种基于改进动态时间规整算法(FastDTW)和注意力机制的深度双向长短期记忆网络优化算法(DSA-dblstm)。首先,利用分布式弹性数据集(RDD)对出租车GPS轨迹数据处理,并基于卡尔曼滤波器(KF)消除噪声数据;其次,构建DSA-dblstm算法,通过FastDTW算法和注意力机制对dblstm神经网络进行优化,以提高交通流量预测的准确性和效率;最后,采用真实出租车GPS轨迹数据验证了DSA-dblstm算法的预测性能。3.基于ASTA-DGCN算法的交通流预测。针对未能有效挖掘真实路网复杂的动态拓扑结构和交通流的动态时空特性等问题,提出一种基于注意力的时空自适应双图卷积网络算法(ASTA-DGCN)。首先,采用时空注意力模块提取交通流时间维度的动态依赖特性和路网结点间的动态影响权重,捕获不同时空位置对当前时空位置的动态影响;其次,采用自适应图建模模块基于交通流时序数据自适应地提取稀疏图邻接矩阵,利用FastDTW算法度量路网结点间的相似度,使用邻接矩阵图对语义关联性进行编码,增强路网交通路网拓扑的特征提取能力;最后,引入双图卷积层和时间卷积层以数据驱动的方式动态捕捉道路间交通模式变化下的动态时空相关性,利用真实高速路网探测器数据验证了ASTA-DGCN算法的预测性能。

关键词：交通流预测注意力机制 FastDTW dblstm 图卷积神经网络

基于特征变换融合与注意力机制的发音反演研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征变换融合与注意力机制的发音反演研究

作者：王善宇天津大学

学位级别：硕士

发音反演是根据语音信号反推发音器官运动的一种研究,在语言学习、康复指导等方面有着巨大应用价值。目前的发音反演研究只使用音频语音特征作为输入,不可避免地造成了一定的性能瓶颈。且近年来在反演框架方面也进展不多,以双向循环神... 详细信息

发音反演是根据语音信号反推发音器官运动的一种研究,在语言学习、康复指导等方面有着巨大应用价值。目前的发音反演研究只使用音频语音特征作为输入,不可避免地造成了一定的性能瓶颈。且近年来在反演框架方面也进展不多,以双向循环神经网络为主要方法。为了解决上述问题,本文提出一种新的基于辅助特征融合的网络（Auxiliary Feature Fusion Network,AFFN）来实现舌位的发音反演。本文主要研究了发音反演的特征处理和反演网络两方面。在输入特征上,本文将EMA数据集中的非舌部位置的运动轨迹作为辅助特征与语音特征一起提升输入特征上的多样性。在验证了所提出的辅助特征的有效性后,为了进行反演网络的改进,因此在保持输入只有语音特征的前提下,采用提取模块来预测辅助特征。同时借鉴基于典型相关分析的特征融合思想,我们提出了一个特征变换模块来生成一个具有较高相关性的联合特征作为反演模块的输入。最后,使用带注意力机制的编码器-解码器网络代替一般的多层LSTM网络,进一步增强上下文相关性。通过在公开数据集mngu0和MOCHA上进行说话人相关的发音反演实验,验证了特征变换融合和注意力机制对反演结果的有效性。最终的结果表明,本文所提出的基于特征融合与注意力机制的发音反演模型在不改变输入特征的情况下能够大大提升系统的反演性能,在各数据集上与现存的最佳方法相比误差均下降了15%以上。

关键词：发音反演 dblstm 辅助特征特征变换融合注意力机制