检索结果

Select

1. 基于单标签射频识别的唇语识别算法

张瑛琪, 彭大卫, 李森, 孙莹, 牛强

《计算机应用》唯一官方网站 2022, 42 (6): 1762-1769. DOI: 10.11772/j.issn.1001-9081.2021061390

摘要（292）

HTML （8）

PDF （4019KB）（90）

近年来，有研究提出了使用多个定制且可拉伸的射频识别（RFID）标签进行语音识别的无线平台，但该标签难以精准捕捉拉伸引起的大频率偏移，而且需要探测多个标签，标签脱落或自然磨损时还须重新校准。针对以上问题，提出基于单标签RFID的唇语识别算法，将灵活、易于隐藏且没有侵入性的单个通用RFID标签贴在脸上，即使用户不发出声音，仅依靠面部的微动作也可进行唇语识别。首先建立模型处理RFID阅读器接收的单个标签随时间和频率响应的接收信号强度（RSS）和相位变化，然后采用高斯函数对原始数据的噪点进行平滑去噪预处理，再采用动态时间规整（DTW）算法对收集到的信号特征进行评估分析，以解决发音长短不匹配的问题；最后创建无线语音识别系统来识别区分与声音相对应的面部表情，从而达到识别唇语的目的。实验结果表明，对于识别不同用户的200组数字信号特征，该方法的RSS准确率可以达到86.5%以上。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于残差连接长短期记忆网络的时间序列修复模型

钱斌, 郑楷洪, 陈子鹏, 肖勇, 李森, 叶纯壮, 马千里

计算机应用 2021, 41 (1): 243-248. DOI: 10.11772/j.issn.1001-9081.2020060928

摘要（654）

PDF （942KB）（549）

传统的时间序列缺失修复方法通常假设数据由线性动态系统产生，然而时间序列更多地表现为非线性。为此，提出了基于残差连接长短期记忆（LSTM）网络的时间序列修复模型，称为RSI-LSTM，用来有效捕获时间序列的非线性动态特性，并且挖掘缺失数据和最近的非缺失数据之间的潜在关联。具体来说，就是采用LSTM网络对时间序列的非线性动态特性进行建模，同时引入残差连接来挖掘历史值与缺失值的联系，从而提升模型的修复能力。首先使用RSI-LSTM对单变量日供电量数据集的缺失数据进行修复，然后在第九届电工数学建模竞赛A题的电力负荷数据集上，引入气象因素作为RSI-LSTM的多变量输入，以提升模型对时间序列缺失值的修复效果。此外，使用了两个通用的多变量时间序列数据集以验证模型的缺失修复能力。实验结果表明，在单变量和多变量数据集上，RSI-LSTM的缺失值修复效果均优于LSTM，得到的均方误差（MSE）总体下降了10%。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

肖勇, 郑楷洪, 郑镇境, 钱斌, 李森, 马千里

计算机应用 2021, 41 (1): 231-236. DOI: 10.11772/j.issn.1001-9081.2020060929

摘要（348）

PDF （862KB）（505）

近年来，以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而，由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征，因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征，提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说，以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖，从而缓解时序过长时重要信息容易丢失的问题。进一步地，采用多层LSTM架构并且对各层设置不同的跳跃连接数，使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后，引入全连接层把各层提取到的多尺度时序特征进行融合，再利用该融合特征进行短期电力负荷预测。实验结果表明，与单层LSTM和多层LSTM相比，MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征，从而提高短期电力负荷预测的精度。

参考文献 | 相关文章 | 多维度评价