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。     

基于路径选择的深海水下运动目标被动深度估计

深海水下运动目标的深度估计是目标分辨与识别中的重要一环。基于深海运动目标在深海中的直达波与海面反射波的到达时延与位置之间的关系,寻找时延图上运动目标的候选路径,利用候选路径模拟目标的运动路径,提出了一种可用单水听器实现的水下运动目标深度估计方法。通过用候选路径的估计时延与实际接收时延的比较对路径进行筛选,从而减少了需要的位置先验信息。2018年在南海进行的深海实验数据处理的结果表明该估计方法可行,对于实验中距离15km以内的拖曳声源,深度相对估计误差可以达到15%以内。     

皮肤组织容积脉搏波400~1000 nm光谱特性仿真研究

根据皮肤组织解剖结构特性建立了六层层状模型,并给出了皮肤组织各层的特性参数;考虑了氧合血红蛋白和还原血红蛋白的吸收特性,依据皮肤组织各层的水、血、脂肪、血氧饱和度含量以及血管大小给出了皮肤组织各层的光谱吸收系数;对不同波长散射系数做了适当简化,给出了皮肤组织各层的光谱散射系数。利用蒙特卡罗方法仿真血管组织在收缩与舒张两种状态下, 400~1 000 nm波长光在皮肤组织多层模型中的传输过程,并通过统计大量光子的分布特性,获得了皮肤组织光谱反射系数,并利用模拟所得的两种状态下的反射系数计算得到了光谱容积脉搏波幅度。仿真结果表明,当入射光强一定时,绿光的容积脉搏波幅度优于红光和蓝光。通过计算不同波长光沿皮肤组织深度方向光能流率衰减为1/e时对应的皮肤组织深度,获得了皮肤组织光谱穿透深度。结果显示,血管舒张状态下蓝光和绿光的穿透深度较小,蓝光大部分只能达到表皮层,绿光能到达微循环层,红光可直达真皮层。考虑到光在皮肤组织中传播包含了一个从收缩到舒张的动态过程,基于此,根据穿透深度定义了脉搏波信号产生深度,利用血管舒张与收缩两种不同状态下的穿透深度计算得到了光谱产生深度。结果表明,不同波长光产生深度大于其穿透深度,蓝光产生深度较浅,且其受到的血液吸收调制较小,因而其获得的脉搏信号易受噪声干扰;红光的容积脉搏波产生深度较大,但是相比于绿光其受血液吸收调制较小,且绿光产生深度足够达到真皮血管层,因而红光容积脉搏波的幅度小于绿光。上述仿真结果明确了皮肤组织部分光谱特性,为皮肤组织多光谱容积脉搏波的精确获取及其他相关研究提供了一定的理论基础。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

利用超强激光进行深度狄拉克态的可行性研究

多年以来,很多不同的理论预言了深度狄拉克态(DDL)的存在。然而,DDL的存在依然存在很大的争议,急需进行验证。随着超强激光技术的提高,可以利用超强激光把电子加速到相对论能量,也可以产生正负电子对,引发核反应等。强激光所提供的这种极端环境也为探索DDL带来新可能。本文提出一个新的探测DDL的方法,即以原子核的轨道电子俘获寿命在强激光等离子体中的变化为探针,探测DDL是否存在。计算表明,若DDL存在,轨道电子俘获寿命变化可达7个量级,从而有望在现有超强激光条件下探测DDL。     

星载海洋激光雷达最佳工作波长分析

星载激光雷达是实现海洋垂直剖面探测的有效工具,也是目前迫切需求的海洋光学遥感手段。对星载海洋激光雷达的波长参数进行评估对保证探测有效性具有重要意义。本文从探测深度和信噪比两方面分析了星载海洋激光雷达探测全球海洋的最佳波长。利用MODIS 10个波段的水体光学特性数据,估算全球海水探测深度及相应的最优波长;并根据太阳夫琅禾费暗线特性,对信号信噪比进行优化。结果表明:在探测深度方面,最优探测波长在488 nm波段的海洋占全球海洋面积的70%左右,并且全球95%以上的海域在488 nm波段的探测深度优于0.8倍的真光层深度;在信噪比方面,相对于488 nm波段,486.134 nm夫琅禾费暗线处采用0.1 nm带宽的滤光片可以将背景光强度降低70%,相应地回波信噪比整体提升了约5.0%。就全球海洋探测来说,使用486.134 nm作为探测波长可以提高探测深度,有效抑制太阳背景光,提高信噪比,因此,486.134 nm是星载海洋激光雷达的最佳工作波长。     

气固射流床射流深度的研究

在３００×５１×２６００ｍｍ的二维射流床中，采用多路毕托管测试系统，对包括三种双组份混合物在内的五种物料的射流深度进行了考察。结果表明，射流管径、射流气速对射流深度都有影响，本文尤其考察了环隙气量与射流深度的关系，发现在同样的射流气速下，环隙气速增大则射流深度降低，得出了综合各种影响因素的关联式。     

促进深度学习的专题复习教学*——以“碳及其化合物”为例

以促进学生的深度学习为基本理念,围绕“自然界的碳循环”“大气中CO₂的控减排”“化学家们合成的新型碳家族成员”等板块,设计并成功实施系列情境问题,在系列问题的讨论、分析、解决过程中帮助学生建构“碳”家族成员间相互转化的知识网络,提高学生思维的纵深度,引发高阶思维,促进深度学习。     

人工智能助力当代化学研究

以机器学习为代表的人工智能在当代的科学研究中正在发挥越来越重要的作用.不同于传统的计算机程序,机器学习人工智能可以通过对大量数据的反复分析和自身模型的优化,即“学习”过程,从而在大量的数据中寻找客观事物的相互联系,形成具有更好预测和决策能力的新模型,做出合理的判断.化学研究的特点恰恰是机器学习人工智能的强项.化学研究经常要面对十分复杂的物质体系和实验过程,从而很难通过化学物理原理进行精准的分析和判断.人工智能可以挖掘化学实验中产生的海量实验数据的相关性,帮助化学家做出合理分析预测,大大加速化学研发过程.本文介绍了当代人工智能方法及用其解决化学问题基本原理,并通过具体案例展示了人工智能辅助解决不同化学研发问题的方法以及对应的机器学习算法.将人工智能运用在化学科学的尝试正处于蓬勃上升期,人工智能已经初步展示出对化学研究的强大助力,希望本文能帮助更多的国内的化学工作者了解和运用这一有力的工具.     

显化反应条件视角 发展反应调控意识——受控的燃烧

以波义耳研究燃烧的史实为背景,创新设计燃烧条件的探究实验,并提出“条件叠加式”燃烧条件探究新思路。以“燃灭控”为主线,一以贯之地显性化“条件是认识化学反应的一种基本视角”,落实“在一定条件下通过化学反应可以实现物质转化”的化学观念。基于调控化学反应思想创新设计“燃旺弱灭”反应控制视域,统整开展“情境”“活动”与“任务”三位一体的学习活动。重置教材实验的教学价值取向,结合燃烧的形式美、汉语言文字解读,将化学学科知识与美育、汉语言文化领域跨领域融合。