CN111833856B - 基于深度学习的语音关键信息标定方法 - Google Patents
基于深度学习的语音关键信息标定方法 Download PDFInfo
- Publication number
- CN111833856B CN111833856B CN202010682482.9A CN202010682482A CN111833856B CN 111833856 B CN111833856 B CN 111833856B CN 202010682482 A CN202010682482 A CN 202010682482A CN 111833856 B CN111833856 B CN 111833856B
- Authority
- CN
- China
- Prior art keywords
- voice
- information
- layer
- voice signal
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 230000004913 activation Effects 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 40
- 238000011176 pooling Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开的是基于深度学习的语音关键信息标定方法，包括以下步骤：S1、将语音信号样本集作为训练数据，以待测关键信息为标签，利用CNN卷积神经网络对语音信号样本集进行训练，以获取一个语音信息分类模型，训练后获取的语音信息分类模型可以区分出不同语音信号中是否包含需要关注的关键信息；S2、基于训练好的语音信息分类模型，将待测语音信号经过语音信息分类模型，采用反向梯度激活平均算法及特征加权激活映射算法，在语音信号中自动标定所关注的信息。本方法脱离语义分析的传统框架，直接针对语音信号开展信息检索。通过深度学习，自动标定语音信号中的信息，实现关键信息的智能检索，方法简洁有效，可以提升检索效率。
Description
技术领域
本发明涉及语音检索技术领域，具体的说是指基于深度学习的语音关键信息标定方法。
背景技术
语音作为关键的多媒体数据，在信息表达、存储、人机交互中有着重要作用。语音信号中包含着丰富的信息，语音信息检索是目前的重要研究热点。目前的语音智能检索，常用手段为关键词检索、句子检索、文档检索，现有的检索手段大多依赖语音中的语义分析，检索方法步骤繁多、流程复杂，导致误差累积，准确率下降。基于此，本申请人经过潜心研究，遂有本案的产生。
发明内容
本发明提供的是基于深度学习的语音关键信息标定方法，其主要目的在于克服现有语音检索方法步骤繁多、流程复杂，导致误差累积、准确率下降的问题。
为了解决上述的技术问题，本发明采用如下的技术方案：
基于深度学习的语音关键信息标定方法，包括以下步骤：
S1、将语音信号样本集作为训练数据，以待测关键信息为标签，利用CNN卷积神经网络对语音信号样本集进行训练，以获取一个语音信息分类模型，训练后获取的语音信息分类模型可以区分出不同语音信号中是否包含需要关注的关键信息；
S2、基于训练好的语音信息分类模型，将待测语音信号经过语音信息分类模型，采用反向梯度激活平均算法及特征加权激活映射算法，在语音信号中自动标定所关注的信息。
进一步的，所述CNN卷积神经网络包括多个卷积层、多个池化层及全连接层，每个卷积层对应一个池化层，每个卷积层包括依次信号连接的一维卷积核Conv1D、批标准化层BN及ReLU激活层，所述ReLU激活层与对应的池化层信号连接，所述多个卷积层和多个池化层按照卷积层→池化层的重复顺序排布，所述全连接层与最后一个池化层连接。
进一步的，所述反向梯度激活平均算法用于计算待测信号中语音信息特征分布，其计算公式为该计算公式中，定义的变量如下：
(1)K—语音信息特征向量个数(通道数)；
(2)Z—语音信息特征向量的长度；
(3)C—语音信息的类别个数；
(4)Ak—第k个语音信息特征向量；
(5)—第k个语音信息特征向量中第i个特征的值；
(6)yc—语音信息类别c的分类得分；
(7)—第k个特征向量的权重；
所述特征加权激活映射算法用于计算语音信息特征标定向量，其计算公式为：计算公式中，定义的变量如下：
—第s个语音信号关于分类c的语音信息标定向量；
至此，得到的语音信息初始标定向量的长度为Z，即特征向量Ak的长度，由于经过CNN卷积神经网络的逐层抽取，初始分布向量的长度小于被测语音信号长度，为了能从被测语音信号中准确标定出信息所在区域，还需要将初始分布向量等比例拉伸至被测语音信号的尺寸，如下式： 为最终的语音信息标定结果。
更进一步的，所述定义变量中：K＝256、Z＝4096。
由上述对本发明的描述可知，和现有技术相比，本发明具有如下优点：本方法脱离语义分析的传统框架，直接针对语音信号开展信息检索。通过深度学习，自动标定语音信号中的信息，实现关键信息的智能检索，方法简洁有效，可以提升检索效率。
附图说明
图1为本发明的标定流程图。
图2为本发明的算法流程图。
图3为本发明CNN卷积神经网络的系统框图。
具体实施方式
参照图1至图3。基于深度学习的语音关键信息标定方法，包括以下步骤：
S1、将语音信号样本集作为训练数据，以待测关键信息为标签，利用CNN卷积神经网络对语音信号样本集进行训练，以获取一个语音信息分类模型，训练后获取的语音信息分类模型可以区分出不同语音信号中是否包含需要关注的关键信息，如判定一段语音中是否存在“身份证”相关信息。
所述CNN卷积神经网络包括多个卷积层、多个池化层及全连接层，每个卷积层对应一个池化层，每个卷积层包括依次信号连接的一维卷积核Conv1D、批标准化层BN及ReLU激活层，所述ReLU激活层与对应的池化层信号连接，所述多个卷积层和多个池化层按照卷积层→池化层的重复顺序排布，所述全连接层与最后一个池化层连接。
所述CNN卷积神经网络的卷积层使用专门设计的一维卷积核Conv1D，并加入了批标准化(Batch Normalization，BN)，改善ReLU激活的性能，进一步防止梯度消失，从而提升语音信息分类模型的训练效果。所述池化层使用最大池化(Max pooling)。
S2、基于训练好的语音信息分类模型，将待测语音信号经过语音信息分类模型，采用反向梯度激活平均算法及特征加权激活映射算法，在语音信号中自动标定所关注的信息。
所述反向梯度激活平均算法用于计算待测信号中语音信息特征分布，其计算公式为该计算公式中，定义的变量如下：
(1)K—语音信息特征向量个数(通道数)；
本方法用到的语音信息特征向量，来自于待测语音信号。待测语音信号通过语音信息分类模型的逐层特征提取之后，由最后一个池化层输出。选取最后一个池化层的原因是，该层最接近全连接层，经过之前的CNN卷积神经网络逐层运算之后，该层输出的特征向量具有最好的语音信息特征。之后的全连接层(FC)不再继续提取特征，仅是加权计算语音信息的分类得分而已。在本实例中，K＝256。
(2)Z—语音信息特征向量的长度；在本实例中，Z＝4096。
(3)C—语音信息的类别个数；
为训练好的语音信息分类模型可以分类的个数，C的数值根据实际情况设置，可以支持多分类。
(4)Ak—第k个语音信息特征向量；
由待测语音信号输入语音信息分类模型逐层计算至最后一个池化层输出而得，k＝1,2,…K。
(5)—第k个语音信息特征向量中第i个特征的值；其取值为i＝1,2,…Z。
(6)yc—语音信息类别c的分类得分；
由待测语音信号输入语音信息分类模型逐层计算得到，c＝1,2,…C。
(7)—第k个特征向量的权重；
其为计算待测信号中语音信息特征分布的重要参数。
上述反向梯度激活平均运算的意义在于，通过对全连接层反向求导，获取第k个特性向量Ak中的每个特征值对于最终信息分类预测结果的影响力权重，综合各特征值的权重得到特征向量的整体权重。/>可以反映出Ak对语音信号中隐藏信息的分类结果的影响力。
在语音信息检测的实践中，不同程度地出现语音信息特征消失的情况。经过分析发现，其原因在于反向梯度计算的过程中出现的负梯度，即权重/>为负值，使得后续加权计算语音信息特征初始分布向量时，抵消了正值权重带来的积极结果，最终导致语音信息特征消失。
因此，本发明对反向梯度激活平均运算结果进行了ReLU激活操作，只保留正梯度，过滤带来不利影响的负梯度。
所述特征加权激活映射算法用于计算语音信息特征标定向量，其计算公式为：该计算公式中，定义的变量如下：
—第s个语音信号关于分类c的语音信息标定向量；
利用上述计算得到的对当前待测的语音信号的特征向量Ak进行加权处理，得到语音信息初始标定向量。这里又用到了ReLU函数，其作用是，只保留对类别c有正向影响的非负特征值，过滤那些可能为负的特征值，避免不利影响。
至此，得到的语音信息初始标定向量的长度为Z，即特征向量Ak的长度，由于经过CNN卷积神经网络的逐层抽取，初始分布向量的长度小于被测语音信号长度，为了能从被测语音信号中准确标定出信息所在区域，还需要将初始分布向量等比例拉伸至被测语音信号的尺寸，如下式： 为最终的语音信息标定结果。
本发明不仅可以对语音信号进行语音信息分类，还可以在语言信号中自动标定所需的语音信息。语音信息标定提供了位置和权值两方面信息：既在语音信号中指出了需检测的关键信息所在的区域位置，又给出该段信号作为被测信息的特征权重。在语音信息标定的基础上，可以对语音信号进行进一步的分离和增强。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (2)
1.基于深度学习的语音关键信息标定方法，其特征在于：包括以下步骤：
S1、将语音信号样本集作为训练数据，以待测关键信息为标签，利用CNN卷积神经网络对语音信号样本集进行训练，以获取一个语音信息分类模型，训练后获取的语音信息分类模型可以区分出不同语音信号中是否包含需要关注的关键信息；
S2、基于训练好的语音信息分类模型，将待测语音信号经过语音信息分类模型，采用反向梯度激活平均算法及特征加权激活映射算法，在语音信号中自动标定所关注的信息；
所述CNN卷积神经网络包括多个卷积层、多个池化层及全连接层，每个卷积层对应一个池化层，每个卷积层包括依次信号连接的一维卷积核Conv1D、批标准化层BN及ReLU激活层，所述ReLU激活层与对应的池化层信号连接，所述多个卷积层和多个池化层按照卷积层→池化层的重复顺序排布，所述全连接层与最后一个池化层连接；
所述反向梯度激活平均算法用于计算待测信号中语音信息特征分布，其计算公式为该计算公式中，定义的变量如下：
(1)k—语音信息特征向量个数(通道数)；
(2)Z—语音信息特征向量的长度；
(3)c—语音信息的类别个数；
(4)Ak—第k个语音信息特征向量；
(5)—第k个语音信息特征向量中第i个特征的值；
(6)yc—语音信息类别c的分类得分；
(7)—第k个特征向量的权重；
所述特征加权激活映射算法用于计算语音信息特征标定向量，其计算公式为：该计算公式中，定义的变量如下：
—第s个语音信号关于分类c的语音信息标定向量；
至此，得到的语音信息初始标定向量的长度为Z，即特征向量Ak的长度，由于经过CNN卷积神经网络的逐层抽取，初始分布向量的长度小于被测语音信号长度，为了能从被测语音信号中准确标定出信息所在区域，还需要将初始分布向量等比例拉伸至被测语音信号的尺寸，如下式： 为最终的语音信息标定结果。
2.如权利要求1所述的基于深度学习的语音关键信息标定方法，其特征在于：所述定义变量中：k＝256、Z＝4096。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682482.9A CN111833856B (zh) | 2020-07-15 | 2020-07-15 | 基于深度学习的语音关键信息标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682482.9A CN111833856B (zh) | 2020-07-15 | 2020-07-15 | 基于深度学习的语音关键信息标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111833856A CN111833856A (zh) | 2020-10-27 |
| CN111833856B true CN111833856B (zh) | 2023-10-24 |
Family
ID=72922856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010682482.9A Active CN111833856B (zh) | 2020-07-15 | 2020-07-15 | 基于深度学习的语音关键信息标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833856B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114324580A (zh) * | 2021-12-03 | 2022-04-12 | 西安交通大学 | 一种结构缺陷的智能敲击检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1512402A (zh) * | 2002-12-31 | 2004-07-14 | 程松林 | 一种语音检索方法及采用该方法的音像信息检索系统 |
| CN107578775A (zh) * | 2017-09-07 | 2018-01-12 | 四川大学 | 一种基于深度神经网络的多任务语音分类方法 |
| CN108305617A (zh) * | 2018-01-31 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 语音关键词的识别方法和装置 |
| CN109599126A (zh) * | 2018-12-29 | 2019-04-09 | 广州丰石科技有限公司 | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 |
| CN109979440A (zh) * | 2019-03-13 | 2019-07-05 | 广州市网星信息技术有限公司 | 关键词样本确定方法、语音识别方法、装置、设备和介质 |
| CN110378480A (zh) * | 2019-06-14 | 2019-10-25 | 平安科技（深圳）有限公司 | 模型训练方法、装置及计算机可读存储介质 |
| CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
| CN110717415A (zh) * | 2019-09-24 | 2020-01-21 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
| CN110909819A (zh) * | 2019-12-02 | 2020-03-24 | 集美大学 | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9715660B2 (en) * | 2013-11-04 | 2017-07-25 | Google Inc. | Transfer learning for deep neural network based hotword detection |
| US10360901B2 (en) * | 2013-12-06 | 2019-07-23 | Nuance Communications, Inc. | Learning front-end speech recognition parameters within neural network training |
| US20190147854A1 (en) * | 2017-11-16 | 2019-05-16 | Microsoft Technology Licensing, Llc | Speech Recognition Source to Target Domain Adaptation |
-
2020
- 2020-07-15 CN CN202010682482.9A patent/CN111833856B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1512402A (zh) * | 2002-12-31 | 2004-07-14 | 程松林 | 一种语音检索方法及采用该方法的音像信息检索系统 |
| CN107578775A (zh) * | 2017-09-07 | 2018-01-12 | 四川大学 | 一种基于深度神经网络的多任务语音分类方法 |
| CN108305617A (zh) * | 2018-01-31 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 语音关键词的识别方法和装置 |
| CN110444195A (zh) * | 2018-01-31 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 语音关键词的识别方法和装置 |
| CN109599126A (zh) * | 2018-12-29 | 2019-04-09 | 广州丰石科技有限公司 | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 |
| CN109979440A (zh) * | 2019-03-13 | 2019-07-05 | 广州市网星信息技术有限公司 | 关键词样本确定方法、语音识别方法、装置、设备和介质 |
| CN110378480A (zh) * | 2019-06-14 | 2019-10-25 | 平安科技（深圳）有限公司 | 模型训练方法、装置及计算机可读存储介质 |
| CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
| CN110717415A (zh) * | 2019-09-24 | 2020-01-21 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
| CN110909819A (zh) * | 2019-12-02 | 2020-03-24 | 集美大学 | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 《Internal Calibration System Using Learning Algorithm With Gradient Descent》;Chan-Yong Jung et, al.;《 IEEE Geoscience and Remote Sensing Letters 》;第17卷(第9期);1503 - 1507 * |
| Dong Yu et,al..《Word confidence calibration using a maximum entropy model with constraints on confidence and word distributions》.《2010 IEEE International Conference on Acoustics, Speech and Signal Processing》.2010,4446-4449. * |
| 面向汽车电子控制的嵌入式语音识别系统设计;操太伟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;C035-75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111833856A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680706B (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN111724770B (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
| CN110161388B (zh) | 一种高压设备的故障类型识别方法及其系统 | |
| CN102915729B (zh) | 语音关键词检出系统、创建用于其的词典的系统和方法 | |
| CN111199202B (zh) | 基于循环注意力网络的人体动作识别方法及识别装置 | |
| CN111986699B (zh) | 基于全卷积网络的声音事件检测方法 | |
| US20220238100A1 (en) | Voice data processing based on deep learning | |
| CN112860183B (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
| CN110991422A (zh) | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN115580445A (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
| CN111833856B (zh) | 基于深度学习的语音关键信息标定方法 | |
| CN110289004B (zh) | 一种基于深度学习的人工合成声纹检测系统及方法 | |
| CN115588112A (zh) | 一种基于rfef-yolo目标检测方法 | |
| CN115345255A (zh) | 一种故障诊断方法、控制装置、终端及存储介质 | |
| CN115457982A (zh) | 情感预测模型的预训练优化方法、装置、设备及介质 | |
| CN111883177B (zh) | 基于深度学习的语音关键信息分离方法 | |
| CN106057196B (zh) | 车载语音数据解析识别方法 | |
| CN116738332A (zh) | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 | |
| CN116090449B (zh) | 一种质量问题分析报告的实体关系抽取方法及系统 | |
| CN107871113B (zh) | 一种情感混合识别检测的方法和装置 | |
| CN115457966A (zh) | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 | |
| CN115249329A (zh) | 一种基于深度学习的苹果叶片病害检测方法 | |
| CN115375959A (zh) | 一种车辆图像识别模型建立及识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230921 Address after: 361000 4th floor, No. 319, Huoju Road, Huoju Park, Huoju high tech Zone, Xiamen, Fujian Province Applicant after: XIAMEN HEROCHEER ELECTRONIC TECHNOLOGY CO.,LTD. Applicant after: Xiamen Xiquan Digital Technology Co.,Ltd. Applicant after: Shanghai Xizhong Technology Co.,Ltd. Address before: Room 621, South Building, torch Plaza, No. 56-58, torch garden, torch hi tech Zone, Xiamen City, Fujian Province, 361000 Applicant before: XIAMEN HEROCHEER ELECTRONIC TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |