CN113554108A - 一种电网巡检机器人听觉隐私信息分类方法 - Google Patents

一种电网巡检机器人听觉隐私信息分类方法 Download PDF

Info

Publication number
CN113554108A
CN113554108A CN202110868443.2A CN202110868443A CN113554108A CN 113554108 A CN113554108 A CN 113554108A CN 202110868443 A CN202110868443 A CN 202110868443A CN 113554108 A CN113554108 A CN 113554108A
Authority
CN
China
Prior art keywords
data
privacy
power grid
content relates
inspection robot
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.)
Pending
Application number
CN202110868443.2A
Other languages
English (en)
Inventor
杨强
张云菊
郭明
史虎军
张玉罗
司胜文
杜秀举
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202110868443.2A priority Critical patent/CN113554108A/zh
Publication of CN113554108A publication Critical patent/CN113554108A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种电网巡检机器人听觉隐私信息分类方法，其特征在于：它包括：步骤1、获取听觉设备监听的语音数据S；步骤2、加载隐私特征模型Mi；步骤3、利用语音模块将语音数据S转化为文本数据T；步骤4、利用隐私特征模型Mi对文本数据T进行鉴定，从而判段所监听的语音信息中是否具有所关注的隐私信息，并输出隐私类别；步骤5、监听结束，则卸载模型；否则转步骤1循环监听；解决了现有技术中电网巡检机器人语音监听设备没有进行科学分类可能泄露用户隐私问题。

Description

一种电网巡检机器人听觉隐私信息分类方法
技术领域
本发明属于软件技术领域，尤其涉及一种电网巡检机器人听觉隐私信息分类方法。
背景技术
变电站是各级电网的核心枢纽，对站内设备例行巡检是保证电网安全运行的关键技术手段。近年来，随着科技进步，以“信息化、数字化、自动化、互动化”为特征的智能电网和特高压建设的逐渐深入，传统的运检模式已不满足现代电网的发展需求，随着机器人技术的出现，其能代替人工承担操作难度大、精度要求高的工作，变电站巡检机器人应运而生。变电站巡检机器人在仿真设计、机器人操控、模式识别等多项关键性创新技术方面取得突破性进展。
语音是最自然的输入手段,近年来语音识别已被广泛应用于智能家具,车载导航等场合,电力作为生产生活的基础,吸纳语音处理技术应用到巡检机器人越来越多，通过麦克风将等待识别的语音变成输入信号，然后进行预处理：包括信号采样、反混叠滤波和端点检测等，从而排除噪声；之后，进行特征提取计算，得到代表输入语音本质的信息；之后，训练、聚类形成独特类别并保存为参考模式库；最后通过距离测度的方法计算输入特征与参考模式的相似度，从而确定识别的结果。但是，针对隐私内容的识别与分类，电网巡检机器人目前还没有开展相关的工作，很难做到客观、全面、准确的评判隐私内容，给设备的安全运行埋下安全隐患，电网巡检机器人存在语音监听设备泄露用户隐私而造成巨大损失等隐患。
发明内容
本发明要解决的技术问题是：提供一种电网巡检机器人听觉隐私信息分类方法，以解决现有技术中电网巡检机器人语音监听设备可能泄露用户隐私等技术问题。
本发明技术方案：
一种电网巡检机器人听觉隐私信息分类方法，它包括：
步骤1、获取听觉设备监听的语音数据S；
步骤2、加载隐私特征模型Mi；
步骤3、利用语音模块将语音数据S转化为文本数据T；
步骤4、利用隐私特征模型Mi对文本数据T进行鉴定，从而判段所监听的语音信息中是否具有所关注的隐私信息，并输出隐私类别；
步骤5、监听结束，则卸载模型；否则转步骤1循环监听。
所述语音转换模块为科大讯飞语音模块。
所述隐私特征模型Mi是基于卷积神经网络获得；具体方法包括：
步骤2.1、对训练数据集I进行数据预处理，生成批量训练数据集Ii，I＝{I1，I2，...，Ii}；
步骤2.2、输入批量训练数据集Ii，经过Embedding层，利用word2vec生成相同维度的字向量，使每条文本数据的尺寸为(600,64)；
步骤2.3、经过卷积层，进行一维卷积，通过256个尺寸为(5，64)的卷积核，获得256个(596，1)的一维特征向量；
步骤2.4、经过最大池化层，得到256个最大特征向量值；
步骤2.5、经过第一个全连接层，后面接Dropout及Relu激活函数，防止过拟合同时增加神经网络模型的非线性；
步骤2.6、经过第二个全连接层，通过softmax函数计算出文本数据的预测概率分布及其相应的损失值；
步骤2.7执行误差反向传播操作，用Adam算法优化更新特征模型，满足设置条件后输出隐私特征模型；
步骤2.8、对测试数据集进行数据预处理，采用处理后的测试数据集对隐私特征模型进行测试，最终输出隐私特征模型Mi。
训练数据集通过巡检机器人的六麦环形麦克风阵列收集训练语音数据；设计了以下六种场景：1)对话内容涉及家庭人员出行计划的场景；2)对话内容涉及家庭人员联系方式的场景；3)对话内容涉及支付密码的场景；4)对话内容涉及宗教的场景；5)对话内容涉及贵重物存放处的聊天场景；6)对话内容涉及言语批评朋友或者攻击双方父母的场景。
训练数据集包括：第1类数据：对话内容涉及出行计划的场景；第2类数据：对话内容涉及人员联系方式的场景；第3类数据：对话内容涉及支付密码的场景；第4类数据：对话内容涉及宗教的场景；第5类数据：对话内容涉及贵重物存放处的场景；第6类数据：对话内容涉及言语批评；第7类数据：不属于上述6种场景的对方，属于不包括隐私信息的数据类别。
数据预处理时，首先考虑到程序在python2环境下运行的编码问题，在打开文本数据集时，把文本的格式编码成UTF-8格式，在处理文本时解码为Unicode格式，然后按以下步骤进行：1)读取训练数据集Ii，构建列表contents，列表中的每个元素即为一条文本数据中的字和符号；同时构建列表labels，列表中的每个元素即为对应文本数据的隐私类别；并构建字列表words，列表中的元素即为训练集中的字和符号；2)读取字列表words，由此构建{字：数字id}的字典D1；3)读取分类目录，构建{隐私类别：数字id}的字典D2；4)根据字典D1，将列表contents中每个元素包含的字与符号转化为数字，即为列表date_id；根据字典D2，将列表labels中的每个元素转化为数字，即为label_id；5)经过padding把列表date_id中的每一个元素转换为固定长度600，同时对标签进行one-hot编码；6)生成批量训练数据集I＝{I1，I2，...，Ii}。
测试数据与训练数据的比例为：
表1训练数据与测试数据规模
Figure BDA0003188133950000031
Figure BDA0003188133950000041
采用测试数据集对隐私特征模型进行测试时，采用准确率Acc、精确率Pi、召回率Ri与综合评价指标F1值度量模型的性能。
测试时超参数设置为：迭代次数为3000，卷积核数目为256，批处理参数为64，初始学习率为0.001，Dropout保留比例为0.5；测试数据识别结果的混淆矩阵如表2所示、精确率P、召回率R和综合评价指标F1值统计结果如表3所示：
表2测试数据识别结果的混淆矩阵
Figure BDA0003188133950000042
表3 P、R和F1值统计结果
Figure BDA0003188133950000043
Figure BDA0003188133950000051
得到模型平均精确率为96.35％，平均召回率为93.20％，综合评价指标为94.53％，满足分类要求。
本发明的有益效果：
本发明采用的电网巡检机器人听觉隐私信息分类方法，能够感知获得电网巡检机器人听觉行为隐私，解决语音监听设备存在隐私泄露的风险问题，为评估该听觉隐私信息分类算法性能，构建了训练和测试数据集，并在电网巡检机器人平台上部署和实现了该方法；测试结果表明，系统识别隐私信息的平均精确率、召回率和F1值分别为96.35％、93.20％和94.53％，具有良好的识别和分类效果；电网巡检机器人通过隐私信息分类，屏蔽隐私信息发布，解决了现有技术中电网巡检机器人语音监听设备没有进行科学分类可能导致泄露用户隐私等技术问题。
附图说明
图1为本发明卷积神经网络模型示意图。
具体实施方式
卷积神经网络是受生物学启发而提出形成的一种前馈神经网络，利用局部连接和权值共享特性，使模型参数变少，并具有一定程度的平移、缩放和扭曲不变性。卷积神经网络不仅在图像分类领域贡献巨大，而且在自然语言方面取得了引人注目的成果。针对机器人听觉行为隐私感知，本文提出了方法1所示的基于卷积神经网络的电网巡检机器人听觉隐私信息分类算法(Social Robot Auditory Privacy Information ClassificationAlgorithm based on Convolutional Neural Network,APICA)。图1是卷积神经网络模型。
方法1：基于卷积神经网络的电网巡检机器人听觉隐私信息分类方法
输入：训练数据集I；
输出：特征模型Mi；
步骤1.对训练数据集I进行数据预处理，生成批量训练数据集Ii，I＝{I1，I2，...，Ii}；
步骤2.输入批量数据集Ii，经过Embedding层，利用word2vec生成相同维度的字向量，使每条文本数据的尺寸为(600,64)；
步骤3.经过卷积层，进行一维卷积，通过256个尺寸为(5，64)的卷积核，获得256个(596，1)的一维特征向量；
步骤4.经过最大池化层，得到256个最大特征向量值；
步骤5.经过第一个全连接层，后面接Dropout及Relu激活函数，防止过拟合同时增加神经网络模型的非线性。
步骤6.经过第二个全连接层，通过softmax函数计算出文本数据的预测概率分布及其相应的损失值；
步骤7.执行误差反向传播操作，用Adam算法优化更新特征模型Mi，满足设置条件后输出隐私特征模型Mi。
步骤1中，进行数据预数据时，首先考虑到程序在python2环境下运行的编码问题，在打开文本数据集时，把文本的格式编码成UTF-8格式，在处理文本时解码为Unicode格式，然后按以下步骤进行：1)读取训练数据集Ii，构建列表contents，列表中的每个元素即为一条文本数据中的字和符号；同时构建列表labels，列表中的每个元素即为对应文本数据的隐私类别；并构建字列表words，列表中的元素即为训练集中的字和符号；2)读取字列表words，由此构建{字：数字id}的字典D1；3)读取分类目录，构建{隐私类别：数字id}的字典D2；4)根据字典D1，将列表contents中每个元素包含的字与符号转化为数字，即为列表date_id；根据字典D2，将列表labels中的每个元素转化为数字，即为label_id；5)经过padding把列表date_id中的每一个元素转换为固定长度600，同时对标签进行one-hot编码；6)生成批量训练数据集I＝{I1，I2，...，Ii}。
在运用方法1获得特征模型Mi后，可得如下所示的机器人的听觉隐私信息监听系统工作流程：
1)获取听觉设备监听的语音数据S；
2)加载隐私特征模型Mi；
3)利用科大讯飞语音模块将语音数据S转化为文本数据T；
4)利用隐私特征模型Mi对文本数据T进行鉴定，从而判段所监听的语音信息中是否具有所关注的隐私信息，并输出隐私类别；
5)如果用户要求隐私信息监听结束，则卸载模型；否则转步骤1)循环监听。
使用机器人的六麦环形麦克风阵列收集训练语音数据。设计了以下六种场景：1)对话内容涉及家庭人员出行计划的场景；2)对话内容涉及家庭人员联系方式的场景；3)对话内容涉及支付密码的场景；4)对话内容涉及宗教的场景；5)对话内容涉及贵重物存放处的聊天场景；6)对话内容涉及言语批评朋友或者攻击双方父母的场景。
基于上述六种场景构建了包括7种类别的训练数据集：
1)第1类数据：对话内容涉及出行计划的场景。
2)第2类数据：对话内容涉及人员联系方式的场景。
3)第3类数据：对话内容涉及支付密码的场景。
4)第4类数据：对话内容涉及宗教的场景。
5)第5类数据：对话内容涉及贵重物存放处的场景。
6)第6类数据：对话内容涉及言语批评。
7)第7类数据：不属于上述6种场景的对方，属于不包括隐私信息的数据类别。
测试数据集构建方面，对话内容通过网上收集和课题组成员构思获得。训练数据集和测试数据规模见表1。
表1训练数据与测试数据规模
Figure BDA0003188133950000071
采用准确率Acc、精确率Pi、召回率Ri与综合评价指标F1值度量系统的性能。
部署设计的算法,将超参数设置为：迭代次数为3000，卷积核数目为256，批处理参数为64，初始学习率为0.001，Dropout保留比例为0.5。测试数据识别结果的混淆矩阵如表2所示、精确率P、召回率R和综合评价指标F1值统计结果如表3所示。
表2测试数据识别结果的混淆矩阵
Figure BDA0003188133950000081
观察表2和表3可知：
1)第1类测试数据共75条，其中正确识别数为68条，错误识别的有7条，系统的精确率和召回率分别为93.15％和90.67％。
2)第2类、第3类和第5类测试数据分别有72条、76条和48条，系统的精确率和召回率均为100％。
3)第4类测试数据共58条，其中正确识别数为54条，错误识别为类别7的有4条，系统的精确率和召回率分别为96.43％和93.10％。
4)第6类测试数据共58条，其中正确识别数为42条，错误识别为类别7的有16条，其精确率和召回率分别为95.45％和72.41％。
5)第7类测试数据共238条，系统正确识别229条，错误识别为类别1、4、6的数据分别有5条、2条和2条，系统的精确率和召回率分别为89.45％和96.22％。
表3 P、R和F1值统计结果
Figure BDA0003188133950000091
综上，测试数据集共625条数据，系统正确识别数为589条，总体识别准确率为94.24％，平均精确率为96.35％，平均召回率为93.20％，综合评价指标为94.53％，系统具有很好的识别和分类效果。

Claims (8)

1.一种电网巡检机器人听觉隐私信息分类方法，其特征在于：它包括：
步骤1、获取听觉设备监听的语音数据S；
步骤2、加载隐私特征模型Mi；
步骤3、利用语音模块将语音数据S转化为文本数据T；
步骤4、利用隐私特征模型Mi对文本数据T进行鉴定，从而判段所监听的语音信息中是否具有所关注的隐私信息，并输出隐私类别；
步骤5、监听结束，则卸载模型；否则转步骤1循环监听。
2.根据权利要求1所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：所述语音转换模块为科大讯飞语音模块。
3.根据权利要求1所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：所述隐私特征模型Mi是基于卷积神经网络获得；具体方法包括：
步骤2.1、对训练数据集I进行数据预处理，生成批量训练数据集Ii，I＝{I1，I2，...，Ii}；
步骤2.2、输入批量训练数据集Ii，经过Embedding层，利用word2vec生成相同维度的字向量，使每条文本数据的尺寸为(600,64)；
步骤2.3、经过卷积层，进行一维卷积，通过256个尺寸为(5，64)的卷积核，获得256个(596，1)的一维特征向量；
步骤2.4、经过最大池化层，得到256个最大特征向量值；
步骤2.5、经过第一个全连接层，后面接Dropout及Relu激活函数，防止过拟合同时增加神经网络模型的非线性；
步骤2.6、经过第二个全连接层，通过softmax函数计算出文本数据的预测概率分布及其相应的损失值；
步骤2.7执行误差反向传播操作，用Adam算法优化更新特征模型，满足设置条件后输出隐私特征模型；
步骤2.8、对测试数据集进行数据预处理，采用处理后的测试数据集对隐私特征模型进行测试，最终输出隐私特征模型Mi。
4.根据权利要求3所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：训练数据集通过巡检机器人的六麦环形麦克风阵列收集训练语音数据；设计了以下六种场景：1)对话内容涉及家庭人员出行计划的场景；2)对话内容涉及家庭人员联系方式的场景；3)对话内容涉及支付密码的场景；4)对话内容涉及宗教的场景；5)对话内容涉及贵重物存放处的聊天场景；6)对话内容涉及言语批评朋友或者攻击双方父母的场景。
5.根据权利要求3所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：训练数据集包括：第1类数据：对话内容涉及出行计划的场景；第2类数据：对话内容涉及人员联系方式的场景；第3类数据：对话内容涉及支付密码的场景；第4类数据：对话内容涉及宗教的场景；第5类数据：对话内容涉及贵重物存放处的场景；第6类数据：对话内容涉及言语批评；第7类数据：不属于上述6种场景的对方，属于不包括隐私信息的数据类别。
6.根据权利要求3所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：数据预处理时，首先考虑到程序在python2环境下运行的编码问题，在打开文本数据集时，把文本的格式编码成UTF-8格式，在处理文本时解码为Unicode格式，然后按以下步骤进行：1)读取训练数据集Ii，构建列表contents，列表中的每个元素即为一条文本数据中的字和符号；同时构建列表labels，列表中的每个元素即为对应文本数据的隐私类别；并构建字列表words，列表中的元素即为训练集中的字和符号；2)读取字列表words，由此构建{字：数字id}的字典D1；3)读取分类目录，构建{隐私类别：数字id}的字典D2；4)根据字典D1，将列表contents中每个元素包含的字与符号转化为数字，即为列表date_id；根据字典D2，将列表labels中的每个元素转化为数字，即为label_id；5)经过padding把列表date_id中的每一个元素转换为固定长度600，同时对标签进行one-hot编码；6)生成批量训练数据集I＝{I1，I2，...，Ii}。
7.根据权利要求3所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：测试数据与训练数据的比例为：
表1 训练数据与测试数据规模
Figure FDA0003188133940000031
采用测试数据集对隐私特征模型进行测试时，采用准确率Acc、精确率Pi、召回率Ri与综合评价指标F1值度量模型的性能。
8.根据权利要求3所述的一种电网巡检机器人听觉隐私信息分类方法，其特征在于：测试时超参数设置为：迭代次数为3000，卷积核数目为256，批处理参数为64，初始学习率为0.001，Dropout保留比例为0.5；测试数据识别结果的混淆矩阵如表2所示、精确率P、召回率R和综合评价指标F1值统计结果如表3所示：
表2 测试数据识别结果的混淆矩阵
Figure FDA0003188133940000032
Figure FDA0003188133940000041
表3 P、R和F1值统计结果
Figure FDA0003188133940000042
得到模型平均精确率为96.35％，平均召回率为93.20％，综合评价指标为94.53％，满足分类要求。
CN202110868443.2A 2021-07-30 2021-07-30 一种电网巡检机器人听觉隐私信息分类方法 Pending CN113554108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110868443.2A CN113554108A (zh) 2021-07-30 2021-07-30 一种电网巡检机器人听觉隐私信息分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110868443.2A CN113554108A (zh) 2021-07-30 2021-07-30 一种电网巡检机器人听觉隐私信息分类方法

Publications (1)

Publication Number Publication Date
CN113554108A true CN113554108A (zh) 2021-10-26

Family

ID=78104926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110868443.2A Pending CN113554108A (zh) 2021-07-30 2021-07-30 一种电网巡检机器人听觉隐私信息分类方法

Country Status (1)

Country Link
CN (1) CN113554108A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522445A (zh) * 2018-11-15 2019-03-26 辽宁工程技术大学 一种融合CNNs与相位算法的音频分类检索方法
CN109960727A (zh) * 2019-02-28 2019-07-02 天津工业大学 针对非结构化文本的个人隐私信息自动检测方法及系统
CN111597580A (zh) * 2020-05-13 2020-08-28 贵州大学 机器人听觉隐私信息监听处理方法
CN111860434A (zh) * 2020-07-31 2020-10-30 贵州大学 机器人视觉隐私行为识别与保护方法
CN112396071A (zh) * 2019-08-13 2021-02-23 中兴通讯股份有限公司 一种信息监控方法及装置、终端及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522445A (zh) * 2018-11-15 2019-03-26 辽宁工程技术大学 一种融合CNNs与相位算法的音频分类检索方法
CN109960727A (zh) * 2019-02-28 2019-07-02 天津工业大学 针对非结构化文本的个人隐私信息自动检测方法及系统
CN112396071A (zh) * 2019-08-13 2021-02-23 中兴通讯股份有限公司 一种信息监控方法及装置、终端及存储介质
CN111597580A (zh) * 2020-05-13 2020-08-28 贵州大学 机器人听觉隐私信息监听处理方法
CN111860434A (zh) * 2020-07-31 2020-10-30 贵州大学 机器人视觉隐私行为识别与保护方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王怀豹 等: "基于卷积神经网络的服务机器人听觉隐私信息分类算法", 《贵州大学学报(自然科学版)》 *

Similar Documents

Publication Publication Date Title
CN109165284B (zh) 一种基于大数据的金融领域人机对话意图识别方法
CN110047512B (zh) 一种环境声音分类方法、系统及相关装置
CN111274491B (zh) 一种基于图注意力网络的社交机器人识别方法
CN108038208B (zh) 上下文信息识别模型的训练方法、装置和存储介质
CN112597038B (zh) 软件缺陷预测方法及系统
CN110046356B (zh) 标签嵌入的微博文本情绪多标签分类方法
CN112036168A (zh) 事件主体识别模型优化方法、装置、设备及可读存储介质
CN112036169B (zh) 事件识别模型优化方法、装置、设备及可读存储介质
CN109871449A (zh) 一种基于语义描述的端到端的零样本学习方法
CN115619117A (zh) 基于值班系统的电网智能调度方法
CN114117029B (zh) 一种基于多层次信息增强的解决方案推荐方法及系统
CN107766560A (zh) 客服服务流程的评价方法和系统
CN113420117B (zh) 一种基于多元特征融合的突发事件分类方法
CN112967710B (zh) 一种低资源客家方言点识别方法
CN112035668B (zh) 事件主体识别模型优化方法、装置、设备及可读存储介质
CN111597580B (zh) 机器人听觉隐私信息监听处理方法
CN112559741A (zh) 核电设备缺陷记录文本分类方法、系统、介质及电子设备
CN113554108A (zh) 一种电网巡检机器人听觉隐私信息分类方法
CN111881258A (zh) 一种自学习事件抽取方法及其应用
CN114420151B (zh) 基于并联张量分解卷积神经网络的语音情感识别方法
CN111680120A (zh) 新闻类别检测方法及系统
CN111275109A (zh) 基于自编码器的电力设备状态数据特征选优方法及系统
CN112992156B (zh) 一种基于声纹认证的配电网调度身份认证系统
Kavitha et al. Deep Learning based Audio Processing Speech Emotion Detection
CN114357284A (zh) 基于深度学习的众包任务个性化推荐方法和系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211026