提出基于卷积-门控循环单元(convolution-gated recurrent unit, C-GRU)的微博谣言事件检测模型。结合卷积神经网络(convolutional neural networks, CNN)和门控循环单元(gated recurrent unit, GRU)的优点,将微博事件博文句向量化,通过...提出基于卷积-门控循环单元(convolution-gated recurrent unit, C-GRU)的微博谣言事件检测模型。结合卷积神经网络(convolutional neural networks, CNN)和门控循环单元(gated recurrent unit, GRU)的优点,将微博事件博文句向量化,通过CNN中的卷积层学习微博窗口的特征表示,将微博窗口特征按时间顺序拼接成窗口特征序列,将窗口特征序列输入GRU中学习序列特征表示进行谣言事件检测。在真实数据集上的试验结果表明,相比基于传统机器学习方法、CNN和GRU的谣言检测模型,该模型有更好的谣言识别能力。展开更多
随着语音识别技术在智能家居领域的不断应用,如何得到性能更优的语音控制系统成为关键。针对目前市场上存在大量低识别率、实时性较差的语音控制开关的现状。本系统采用动态时间规整(DTW:Dynamic Time Warping)结合矢量量化(VQ:Vector Q...随着语音识别技术在智能家居领域的不断应用,如何得到性能更优的语音控制系统成为关键。针对目前市场上存在大量低识别率、实时性较差的语音控制开关的现状。本系统采用动态时间规整(DTW:Dynamic Time Warping)结合矢量量化(VQ:Vector Quantization)作为识别算法,实现了较好识别效果。实验结果表明,本系统离线识别率达到99%,实测识别率也达到97%,平均耗时只需15 ms。本系统在最小嵌入式系统板上实现对孤立词语音命令进行实时识别,体积更小、集成度更高;通过最小成本满足系统对实时性和便捷性的要求,并且具有很大的扩展空间。展开更多
文摘提出基于卷积-门控循环单元(convolution-gated recurrent unit, C-GRU)的微博谣言事件检测模型。结合卷积神经网络(convolutional neural networks, CNN)和门控循环单元(gated recurrent unit, GRU)的优点,将微博事件博文句向量化,通过CNN中的卷积层学习微博窗口的特征表示,将微博窗口特征按时间顺序拼接成窗口特征序列,将窗口特征序列输入GRU中学习序列特征表示进行谣言事件检测。在真实数据集上的试验结果表明,相比基于传统机器学习方法、CNN和GRU的谣言检测模型,该模型有更好的谣言识别能力。
文摘随着语音识别技术在智能家居领域的不断应用,如何得到性能更优的语音控制系统成为关键。针对目前市场上存在大量低识别率、实时性较差的语音控制开关的现状。本系统采用动态时间规整(DTW:Dynamic Time Warping)结合矢量量化(VQ:Vector Quantization)作为识别算法,实现了较好识别效果。实验结果表明,本系统离线识别率达到99%,实测识别率也达到97%,平均耗时只需15 ms。本系统在最小嵌入式系统板上实现对孤立词语音命令进行实时识别,体积更小、集成度更高;通过最小成本满足系统对实时性和便捷性的要求,并且具有很大的扩展空间。
