【摘 要】
：
针对不同语料库之间数据分布差异问题,提出一种基于深度自编码器子域自适应的跨库语音情感识别算法。首先,该算法采用两个深度自编码器分别获取源域和目标域表征性强的低维情感特征;然后,利用基于LMMD(local maximum mean discrepancy)的子域自适应模块,实现源域和目标域在不同低维情感类别空间中的特征分布对齐;最后,使用带标签的源域数据进行有监督地训练该模型。在eNTERFACE
论文部分内容阅读
针对不同语料库之间数据分布差异问题,提出一种基于深度自编码器子域自适应的跨库语音情感识别算法。首先,该算法采用两个深度自编码器分别获取源域和目标域表征性强的低维情感特征;然后,利用基于LMMD(local maximum mean discrepancy)的子域自适应模块,实现源域和目标域在不同低维情感类别空间中的特征分布对齐;最后,使用带标签的源域数据进行有监督地训练该模型。在eNTERFACE库为源域、Berlin库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了5.26%
其他文献
鸟类鸣唱存在广泛的地理变异,研究鸟类鸣唱变异的模式及其影响因素可帮助解释自然界中广泛而复杂的鸣声变异现象。灰腹地莺(Tesia cyaniventer)是在高黎贡山海拔2000—2800 m分布的小型地栖性森林鸟类。高黎贡山南北走向的山脊海拔通常在3000m以上,这导致灰腹地莺东、西坡种群被山脊所隔离。该种小鸟鸣声洪亮易于鉴别,其鸣声地理变异可揭示山地对鸟类种群产生的隔离效应。在高黎贡山片马垭口和
为了充分展现国内在垂直知识图谱领域研究的现状,以垂直领域知识图谱为研究对象对其发展现状和趋势进行综述。对垂直领域知识图谱的定义和分类、架构和关键技术的发展现状进行了详细论述;针对垂直领域知识图谱的具体应用进行了论述,并以学术信息知识图谱和医药卫生知识图谱为例进行了详细介绍。最后对垂直领域知识图谱发展中存在的问题和对策以及未来的趋势进行了探讨。
开源软件的成功推动了软件产业的蓬勃发展,大量代码资源为代码搜索创造了条件。如何通过代码搜索技术找到需求代码成为一个重要问题。为了更好地推进后续研究工作,首先对代码搜索相关概念及研究趋势进行介绍和说明;其次对使用不同技术的代码搜索研究工作进行综述,包括基于信息检索、查询和代码描述增强、程序特征分类以及深度学习等方面,并进一步总结归纳不同方法的优缺点;接下来针对代码搜索技术所应用的多个领域进行介绍,包
联邦学习与区块链在应用领域、架构特点、隐私保护机制等方面具有很强的共性、互补性和契合度,近年来,一些研究与应用将两种技术结合起来,在数据隐私保护强度、数据共享激励机制、计算性能等方面取得了不少进展。为了帮助研究者掌握联邦学习结合区块链的最新研究成果与发展方向,对基于区块链的联邦学习进行了综述。首先,介绍了联邦学习技术的相关研究和存在的不足;其次,详细讨论了当前基于区块链的联邦学习的相关研究,重点从
针对实用拜占庭容错(PBFT)共识机制中主节点可能出错导致大量通信资源浪费的问题,提出一种基于信任动态激励的共识机制优化方案ITPBFT(incentive trust-PBFT)。利用信任评价模型对系统内节点的共识行为进行评价,添加动态激励机制,引入节点等级机制,选取信任度高的节点作为主节点。通过对优化方案进行仿真实验和分析,验证了该机制可以有效提高共识机制的容错能力、降低共识的时间、提高系统的
联盟链是区块链技术在实际行业应用的主要形式,其共识机制多采用实用拜占庭容错算法(PBFT),在节点数量大时共识成功率与共识效率不高,存在扩展性问题。为此,提出一种基于网络自聚类拜占庭容错共识算法NAC-PBFT。利用行业应用中网络结构、系统节点等确知信息,在联盟链审核节点时指定种子节点,再以种子节点为中心自聚类为若干分组,组内通过优化实用拜占庭容错算法选举出代理人,由各组代理人共同完成全局共识。其
针对联盟链中广泛应用的PBFT算法网络复杂度高、共识速度慢以及查询速度上的不足进行了研究,并提出了一种基于时间权重值(time-weighted value,TWV)的共识算法。首先,针对网络复杂度高和共识速度慢的问题,TWV共识算法通过节点的时间权重值选择合适的共识节点缩小了共识节点的规模,并且结合PBFT算法中的视图更换协议,将此时的共识节点替换为具有较高时间权重值的节点;其次利用共识节点延迟
卷积神经网络的感受野大小与卷积核的尺寸相关,传统的卷积采用了固定大小的卷积核,限制了网络模型的特征感知能力;此外,卷积神经网络使用参数共享机制,对空间区域中所有的样本点采用了相同的特征提取方式,然而带噪频谱图噪声信号与干净语音信号的分布存在差异,特别是在复杂噪声环境下,使得传统卷积方式难以实现高质量的语音信号特征提取和过滤。为了解决上述问题,提出了多尺度区域自适应卷积模块,利用多尺度信息提升模型的
针对现有的机器阅读理解模型主要使用循环模型处理文本序列信息,这容易导致训练和预测速度慢且模型预测准确性不高等问题,提出了一种片段抽取型机器阅读理解算法QA-Reader。该算法利用大型预训练语言模型RoBERTa-www-ext获取问题和上下文的词嵌入表示;使用深度可分离卷积和多头自注意力机制进行编码;计算上下文和问题的双向注意力及上下文的自注意力,以融合上下文和问题之间的关联信息,拼接得到最终的
目前,基于卷积神经网络和循环神经网络的方面级情感分析研究工作较少同时考虑到句子的句法结构和词语的语法距离,且卷积神经网络和循环神经网络无法有效地处理图结构的数据。针对上述问题,提出了一种基于距离与图卷积网络的方面级情感分类模型。首先,为该模型设计了一个具有残差连接的双层双向长短期记忆网络,用于提取句子的上下文信息;然后,根据句法依赖树得到词语的语法距离权重,并根据词语之间的句法关系构建邻接矩阵;最