-
题名Echo:以语音交互为入口的软件定义音箱
被引量：2
- 1
-
-
作者
颜永红
-
机构
中国科学院声学研究所语言声学与内容理解重点实验室
中国科学院大学
中国科学院新疆理化技术研究所新疆民族语音语言信息处理重点实验室
-
出处
《网络新媒体技术》
2018年第2期12-15,共4页
-
基金
国家自然科学基金重大项目"多语言言语识别基础理论与建模方法"(11590770-4)
-
文摘
亚马逊Echo,作为智能音箱的鼻祖,自上市以来取得了举世瞩目的成功。Echo涉及了语音交互的完整生态链,是第一款严格意义上以语音交互技术为核心的成功产品,同时它也标志了软件定义家电时代的到来。本文试图对Echo的成功原因进行分析,希望对从事语音产品的研发人员有所启发。
-
关键词
亚马逊Echo
智能音箱
语音交互
软件定义家电
-
Keywords
Amazon Echo, smart speaker, speech interaction, software- defined appliance
-
分类号
TN912.26
[电子电信—通信与信息系统]
-
-
题名使用深度学习的多通道水下目标识别
被引量：18
- 2
-
-
作者
李琛
黄兆琼
徐及
郭新毅
宫在晓
颜永红
-
机构
中国科学院声学研究所语言声学与内容理解重点实验室
中国科学院大学
中国科学院声学研究所水下环境特性重点实验室
中国科学院声学研究所声场声信息国家重点实验室
中国科学院新疆理化技术研究所新疆民族语音语言信息处理重点实验室
-
出处
《声学学报》
EI
CSCD
北大核心
2020年第4期506-514,共9页
-
基金
国家自然科学基金项目(61901466,11590774,11590770)
国家重点研发计划项目(2019QY1805)资助。
-
文摘
为解决低信噪比条件下水下目标识别率低的问题,提出一种适用于多通道水听器阵列的深度学习水下目标识别方法。首先是采用子通道特征级联的方法利用多通道信息;在特征提取方面,采用对信号的不同频率区间进行加权的特征提取器,并对提取的特征进行正则规整;最后采用深度神经网络(Deep Neural Network,DNN)实现目标识别。实验首先在仿真条件下对所提出方法的有效性进行验证,结果表明在-15 dB信噪比条件下的五目标识别任务中,使用多通道级联特征的深度神经网络的识别正确率达到96.7%,显著高于基于支持向量机(Support Vector Machine,SVM)的方法。在后续的湖上试验中,深度神经网络的平均正确率达到96.0%,进一步验证了所提出方法的有效性。
-
关键词
深度神经网络
深度学习
水下目标识别
通道特征
特征提取
平均正确率
水听器阵列
频率区间
-
分类号
TB565.1
[交通运输工程—水声工程]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于循环时间卷积网络的序列流推荐算法
被引量：6
- 3
-
-
作者
李太松
贺泽宇
王冰
颜永红
唐向红
-
机构
中国科学院声学研究所语言声学与内容理解重点实验室
中国科学院大学电子电气与通信工程学院
中国科学院新疆理化技术研究所新疆民族语音语言信息处理重点实验室
贵州大学现代制造技术教育部重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2020年第3期103-109,共7页
-
基金
国家自然科学基金(11590770-4,11722437,61650202,U1536117,61671442,11674352,11504406,61601453)
国家重点研发计划(2016YFB0801203,2016YFC0800503,2017YFB1002803)
+1 种基金
新疆维吾尔自治区重大科技专项(2016A03007-1)
贵州省留学回国人员科技活动择优资助项目(2018.0002)~~
-
文摘
针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN)。首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系。利用残差连接网络提取不同层次的特征信息,解决反向传播中梯度衰减甚至消失的问题。综合设计时间卷积网络(Temporal Convolutional Network,TCN)提取序列流中前后物品间的局部特征,将物品信息映射到隐藏空间,得到细粒度的特征向量。为进一步建立元素间的宏观联系,将特征向量依次输入门限循环单元(Gated Recurrent Unit,GRU),迭代更新现有隐藏状态并预测下一时刻的输出。RTCN通过时间卷积网络,从输入序列流提取出长时间、多维度、细粒度的局部关联特征;经过门限循环网络,建模序列间的长距离依赖关系,捕捉序列元素的演变模式,并预测下一个出现的物品。利用网站、手机应用和音乐3个不同场景中的数据对模型进行了实验。实验结果显示,RTCN模型在召回率(Recall)和平均排序倒数(MRR)两个指标上比RNN模型高出6%~13%,比传统推荐算法高出9%~59%。通过对比不同的损失函数,模型在交叉熵损失函数下表现最优。此外,由于TCN中的卷积层具有多通道的结构,当数据维度丰富时,该模型对物品和用户的上下文信息具有很强的综合能力。
-
关键词
推荐系统
深度学习
序列流推荐
时间卷积网络
循环神经网络
-
Keywords
Recommendation system
Deep learning
Session-based recommendation
Temporal convolutional network
Recurrent neural network
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
