为解决当前声纹识别领域中特征融合困难以及现有模型的表达能力不足的问题,提出了一种基于改进的Res2Net和改进的长短时记忆神经网络(Stacked Long Short-Term Memory,SLSTM),并结合MFCC、FBank和LFBank三种特征进行融合。首先,通过对...为解决当前声纹识别领域中特征融合困难以及现有模型的表达能力不足的问题,提出了一种基于改进的Res2Net和改进的长短时记忆神经网络(Stacked Long Short-Term Memory,SLSTM),并结合MFCC、FBank和LFBank三种特征进行融合。首先,通过对三种特征融合,全面捕捉声音的特性,并结合改进的Res2Net以更细粒化的工作方式对每个输入的特征获取多种不同尺度组合的特征表达,最后将提取的特征信息输入到堆叠长短时记忆神经网络处理序列问题,提升模型的表达能力。实验结果表明,所提出的方法在CN-Celeb数据集上的效果良好,等错误率与最小检测代价函数达到了2.89%和0.372 5,证明了本文所提方法的鲁棒性和准确性。展开更多
城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long ...城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long Short Term Memory)模型的基础上,引入遗传算法(GA,Genetic Algorithm),构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络(RNN,Recurrent Neural Network)模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。展开更多
随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果...随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。展开更多
文摘为解决当前声纹识别领域中特征融合困难以及现有模型的表达能力不足的问题,提出了一种基于改进的Res2Net和改进的长短时记忆神经网络(Stacked Long Short-Term Memory,SLSTM),并结合MFCC、FBank和LFBank三种特征进行融合。首先,通过对三种特征融合,全面捕捉声音的特性,并结合改进的Res2Net以更细粒化的工作方式对每个输入的特征获取多种不同尺度组合的特征表达,最后将提取的特征信息输入到堆叠长短时记忆神经网络处理序列问题,提升模型的表达能力。实验结果表明,所提出的方法在CN-Celeb数据集上的效果良好,等错误率与最小检测代价函数达到了2.89%和0.372 5,证明了本文所提方法的鲁棒性和准确性。
文摘城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long Short Term Memory)模型的基础上,引入遗传算法(GA,Genetic Algorithm),构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络(RNN,Recurrent Neural Network)模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。
文摘随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。
