-
公开(公告)号：CN115171710B
公开(公告)日：2024-10-29
申请号：CN202210799728.X
申请日：2022-07-08
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G10L21/007 , G10L21/0224 , G10L21/0232 , G10L19/02 , G10L25/63 , G06N3/045 , G06N3/0464 , G06N3/094 , G06N3/0475 , G06N3/084 , G10L25/30
Abstract: 本发明属于语音信号处理的语音增强技术领域，提供了一种基于多角度判别的生成对抗网络的语音增强方法及系统。该方法包括，获取带噪声语音信号；基于带噪声语音信号，采用训练好的生成对抗网络，得到增强后的语音信号；其中，所述生成对抗网络包括一个生成器和四个判别器。本发明的多角度判别包括：增强后语音信号、干净语音与情绪语音之间的差异；同时添加从频域判别学习增强后语音信号、干净语音与情绪语音之间的频域差异。本发明从不同语音信号的语音成分进行判别，以及语音的时域频域角度，能够从不同角度充分学习语音成分，为生成器提供足够多的反馈信息，可以有效改善语音失真，提高增强后语音的语音质量。
-
公开(公告)号：CN116840777A
公开(公告)日：2023-10-03
申请号：CN202310699258.4
申请日：2023-06-13
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明属于目标跟踪定位领域，提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统，初始化待测目标传感器，构建传感器量测方程和目标状态方程；自适应求取协方差矩阵的平方根，计算采样点和权值；利用自适应无迹卡尔曼滤波算法，基于k‑1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；根据系统当前时刻是否因噪声等干扰造成异常量测数据，自适应校准状态方程中的可调参数；利用自适应无迹卡尔曼滤波算法和自适应聚类算法，根据k‑1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。
-
公开(公告)号：CN115766035A
公开(公告)日：2023-03-07
申请号：CN202211455832.3
申请日：2022-11-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学 , 山东山科智能科技有限公司
Abstract: 本发明公开了一种多节点的共识方法及系统，所述方法，包括：新的一轮共识开始，网关节点启用区块链网络中的边缘服务器节点和用户节点的注册ID，分别计算边缘服务器节点的信誉度和未依托边缘服务器的用户节点的信誉度，根据区块链节点的信誉度情况，确定第一设定阈值K1；对所有的区块链节点进行信誉等级划分，将信誉度低于K1的节点划分为恶意节点，对恶意节点进行剔除；然后，将剩余的区块链节点划分到对应的分区中；判断分区是否成功，如果成功就在分区内部进行节点共识，每个分区均选举出领导者节点；如果失败就返回上一步；在领导者节点之间进行全局共识，全局共识达成后，对交易结果生成新的区块，将新的区块保存到区块链上。
-
公开(公告)号：CN108461088B
公开(公告)日：2019-11-19
申请号：CN201810232462.4
申请日：2018-03-21
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G10L19/16 , G10L19/04 , G10L25/93 , G10L19/08 , G10L19/087
Abstract: 本发明的基于支持向量机在语音解码端重构子带清浊音度参数的方法，首先利用语音样本的5个子带清浊音度参数、声道参数、基音参数和能量参数训练出5个子带清浊音判决的支持向量机模型，在低速率声码器的解码端，利用线谱频率参数、基音周期参数、能量参数与子带清浊音度参数的相关性，对子带清浊音度参数进行重构。摒弃传统编码器中对子带清浊音度参数量化编码传输的方法，在声码器中引入支持向量机，利用线谱频率参数、基音周期参数和能量参数将子带清浊音度参数直接恢复出来，在不明显降低各子带清浊音判决准确率的前提下，节省的量化比特数，可用来量化其他更加重要的参数，整体上可以进一步提升合成语音的质量。
-
公开(公告)号：CN114664318B
公开(公告)日：2025-05-09
申请号：CN202210301250.3
申请日：2022-03-25
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G10L21/0208 , G10L25/30 , G06N3/0475 , G06N3/0442 , G06N3/047 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了基于生成对抗网络的语音增强方法及系统，包括：获取带噪声语音信号；将带噪声语音信号，输入到训练后的生成对抗网络中，输出增强后的语音信号；其中，所述生成对抗网络，包括两个生成器和两个判别器；所述生成对抗网络，训练过程中通过对两个生成器与两个判别器的相互博弈，提升生成器逼近目标信号的能力。本发明充分考虑了语音信号的时序关系，改进了先前的生成器与判别器的全卷积的设计，生成器中添加使用多头注意力机制，并将多生成器多阶段增强与注意力机制相结合，充分利用了多头注意力机制与生成对抗网络博弈思想。本方法能够是增强后的语音具有更高的质量与可懂度。
-
Patent Agency Ranking
公开(公告)号：CN119274014A
公开(公告)日：2025-01-07
申请号：CN202411292960.X
申请日：2024-09-14
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V10/774 , G06V10/20 , G06V10/764
Abstract: 本发明提出了基于AMAdam的对抗样本生成方法及系统，涉及对抗样本生成领域，具体方案包括：将获取的源图像预处理成被攻击的图像，创建与被攻击的图像形状相同的全零张量；将全零张量作为初始扰动，采用循环迭代的方式，基于当前扰动的梯度，采用AMAdam集合动量项的方法计算梯度的无偏一阶矩和无偏二阶矩，通过无偏一阶矩和无偏二阶矩生成新的扰动，直到达到最大迭代次数，得到最终的扰动；将最终的扰动添加到被攻击的图像上，生成对抗样本；本发明将AMAdam算法集成到基于梯度的迭代攻击中，使用梯度的无偏一阶矩和无偏二阶矩，为被攻击图像生成并更新扰动，构建对抗样本，提升基于迁移的对抗样本生成方法的整体性能。
-
公开(公告)号：CN115171642B
公开(公告)日：2024-10-29
申请号：CN202210795721.0
申请日：2022-07-07
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G10K11/178 , G06N3/08 , G06N3/044
Abstract: 本发明属于主动降噪技术领域，提供了一种基于改进的循环神经网络的主动降噪方法及系统，该方法包括获取待降噪信号数据；基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；对滤波后的信号通过次级路径模型模拟得到抗噪声信号；依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。不仅保证了信号的时间相关性，而且提高了训练效率。
-
公开(公告)号：CN117171698A
公开(公告)日：2023-12-05
申请号：CN202310882930.3
申请日：2023-07-18
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明涉及目标追踪领域，提供了一种异步多传感器目标追踪自适应融合方法及系统。该方法包括，构建目标状态方程和传感器测量方程；根据目标状态方程和传感器测量方程，采用无迹卡尔曼滤波算法，计算目标局部最优估计；根据传感器节点搭建动态通信拓扑结构，各个传感器的目标局部最优估计传输到融合中心；融合中心根据各个传感器的目标局部最优估计，进行自适应融合，得到融合估计结果。本发明考虑系统中传感器的采样率、传输率以及通信延迟等情况，讨论目标机动时的多传感器异步测量信息融合问题，设计了一种分层自适应融合结构，实现了传感器测量的分层序贯融合。
-
公开(公告)号：CN116486235A
公开(公告)日：2023-07-25
申请号：CN202310528342.X
申请日：2023-05-11
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V10/82 , G06V10/774 , G06N3/04 , G06V10/764 , G06N3/094
Abstract: 本发明涉及图像处理技术领域，本发明公开了基于稀疏矩阵和惩罚项的对抗样本生成方法及系统，包括获取图像，将所述图像输入模型，得到对每个类别的分类得分，并利用正确类别的得分，计算稀疏矩阵；利用所述稀疏矩阵设置扰动大小，并利用模型损失函数的梯度信息设置扰动，采用基于梯度的对抗样本生成算法，得到对抗样本。可以减少扰动的L0范数。
-
公开(公告)号：CN116306830A
公开(公告)日：2023-06-23
申请号：CN202310091475.5
申请日：2023-02-03
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提出基于特征和标签平滑的多步梯度对抗样本生成方法及系统，属于人工智能安全领域。包括：获取被攻击图像；基于Grad‑CAM++算法获得被攻击图像的重要特征区域；以被攻击图像为中心，选取被攻击图像邻域内N张图像，计算邻域内N张图像的损失函数梯度信息；利用正态分布函数对邻域内N张图像的损失函数梯度信息进行加权求和，对被攻击图像的重要特征区域生成扰动；对被攻击图像添加扰动，生成添加扰动后的图像；判定添加扰动后的图像是否攻击成功或达到最大迭代次数，若攻击成功或达到最大迭代次数，则生成对抗样本。本发明对特征区域进行攻击，降低了对抗样本L0范数，对多组梯度信息进行加权求和处理，降低对替代模型的拟合程度，增加黑盒攻击成功率。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.039 seconds)
