基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

航空摄影过程中云的实时自动检测

云的存在严重影响遥感影像质量。在航空影像的获取过程中,实时的云检测能够及时提供准确的云遮挡比例以评价影像质量,进而指导飞行方案以获取满足质量要求的影像。采用光谱特征阈值的方法,通过分析云光谱的特性,选取能够有效检测云的亮度特征I和归一化差值特征P进行组合。为实现自动检测,在一维Otsu自动阈值和带限定条件Otsu阈值的基础上,设计了阈值的分级配置策略为云特征配置合适的自动阈值,策略的主要思想是：首先采用多级分类标准对影像进行无云、薄云、厚云的类别判定,再对不同类别的影像采取不同的特征阈值配置方案,其中厚云影像的检测需要进一步分类配置阈值。该策略实现了有云情况下能准确检测云、无云情况下检测不到云的应用目标。再结合选择性自动后处理方案,真正做到云的自动、高效、准确的检测。通过与不同方法的检测结果对比分析,表明该方法的检测效率高,精度满足实时质量评定的要求,通用性强。     

彩色分割的航空影像房屋自动检测

航空影像房屋提取方法的研究中大多基于灰度影像的区域生长算法,此类算法不仅忽略了不同材质的房屋所呈现的光谱特征对提取结果的影响,而且过于依赖种子像素的选取,处理效率不高。为了从高分辨率航空影像中实现房屋的自动检测,综合利用彩色信息与屋顶材料的光谱特征,采用影像分割原理,研究了房屋自动检测的方法。首先对RGB与HIS彩色空间进行转换,利用HIS空间各分量间不相关的特点和屋顶材料光谱特征进行影像分割,分离出红色瓦片屋顶与灰色水泥屋顶区域,并利用标记分水岭算法实现房屋区域的初始分割;然后计算各标记区域内的色调均值选取种子像斑样本,进而以像斑为单元在色调分量中进行区域生长,最后经过消除小斑和矩形拟合优化处理,得到轮廓清晰的房屋区域。与传统的基于像素区域分割算法相比,该方法整个过程无需人工干预且均在一维彩色空间进行处理,计算量明显降低,同时采用改进的基于像斑区域生长算法能够兼顾邻近区域内像素的几何结构信息,使算法精度得到显著提高,采用上述方法对高分辨率航空影像进行了实验,结果证明该方法有着较高的处理效率和准确性,具有实用价值。