公开(公告)号：CN110097755B

公开(公告)日：2021-08-17

申请号：CN201910353551.9

申请日：2019-04-29

申请人： 东北大学

发明人： 郭军 ,  张小钰 ,  刘晨 ,  高志远 ,  王理庚 ,  李文雨 ,  迟航民

IPC分类号： G08G1/01 ,  G08G1/065 ,  G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明提供一种基于深度神经网络的高速公路交通流量状态识别方法，涉及智能交通技术领域。该方法对交通流量状态进行分类并定义，对音频信号进行降噪处理和特征提取，使用DNN进行建模，得到对高速公路交通流量状态进行识别的DNN模型，并对DNN模型进行预训练；然后对DNN模型的参数进行调优；利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码；最后用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计，根据计算出的概率给出高速公路交通流量状态的识别结果。本发明方法可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。

公开(公告)号：CN110120218B

公开(公告)日：2021-06-22

申请号：CN201910353445.0

申请日：2019-04-29

申请人： 东北大学

发明人： 郭军 ,  张小钰 ,  刘晨 ,  高志远 ,  王理庚 ,  李文雨 ,  迟航民

IPC分类号： G10L15/14 ,  G10L15/02 ,  G10L21/0208

摘要： 本发明提供一种基于GMM‑HMM的高速公路大型车辆识别方法，涉及智能交通技术领域。该方法提取音频信号的MFCC特征，对此音频信号特征分析其在特征空间中的特定分布，采用高斯概率密度函数拟合特征向量，得到GMM‑HMM模型；在训练阶段，采用EM算法训练GMM，进而估计出模型参数；采用K‑means算法选择训练样本；采用Baum‑Welch算法，结合高斯概率密度函数拟合的观测序列概率分布，对GMM‑HMM模型参数进行训练，生成训练模型。在识别阶段，待识别的音频数据提取出MFCC特征参数，采用Viterbi算法将其与模型库中的各个模型进行特征概率匹配，匹配概率最大的模型即为识别结果。本发明的高速公路大型车辆识别方法，能够准确的识别出高速公路上各大型车辆。

公开(公告)号：CN110120218A

公开(公告)日：2019-08-13

申请号：CN201910353445.0

申请日：2019-04-29

申请人： 东北大学

发明人： 郭军 ,  张小钰 ,  刘晨 ,  高志远 ,  王理庚 ,  李文雨 ,  迟航民

IPC分类号： G10L15/14 ,  G10L15/02 ,  G10L21/0208

摘要： 本发明提供一种基于GMM-HMM的高速公路大型车辆识别方法，涉及智能交通技术领域。该方法提取音频信号的MFCC特征，对此音频信号特征分析其在特征空间中的特定分布，采用高斯概率密度函数拟合特征向量，得到GMM-HMM模型；在训练阶段，采用EM算法训练GMM，进而估计出模型参数；采用K-means算法选择训练样本；采用Baum-Welch算法，结合高斯概率密度函数拟合的观测序列概率分布，对GMM-HMM模型参数进行训练，生成训练模型。在识别阶段，待识别的音频数据提取出MFCC特征参数，采用Viterbi算法将其与模型库中的各个模型进行特征概率匹配，匹配概率最大的模型即为识别结果。本发明的高速公路大型车辆识别方法，能够准确的识别出高速公路上各大型车辆。

公开(公告)号：CN110097755A

公开(公告)日：2019-08-06

申请号：CN201910353551.9

申请日：2019-04-29

申请人： 东北大学

发明人： 郭军 ,  张小钰 ,  刘晨 ,  高志远 ,  王理庚 ,  李文雨 ,  迟航民

IPC分类号： G08G1/01 ,  G08G1/065 ,  G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明提供一种基于深度神经网络的高速公路交通流量状态识别方法，涉及智能交通技术领域。该方法对交通流量状态进行分类并定义，对音频信号进行降噪处理和特征提取，使用DNN进行建模，得到对高速公路交通流量状态进行识别的DNN模型，并对DNN模型进行预训练；然后对DNN模型的参数进行调优；利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码；最后用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计，根据计算出的概率给出高速公路交通流量状态的识别结果。本发明方法可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。

公开(公告)号：CN118069925A

公开(公告)日：2024-05-24

申请号：CN202311749051.X

申请日：2023-12-19

申请人： 东北大学

发明人： 杨晓春 ,  张小钰 ,  许金曼 ,  王斌

IPC分类号： G06F16/9535 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0985 ,  G06N3/0895

摘要： 本发明设计一种基于识别和修正不可靠实例的序列推荐系统及方法，所述推荐系统，包括序列编码模块、反事实采样模块和序列推荐模块；首先使用序列编码模块对给定用户交互序列中项目进行独热编码和位置嵌入，得到项目的隐藏编码矩阵；同时为用户交互序列每个实例构造候选项集合；其次利用反事实采样模块中不可靠实例检测模块识别隐藏编码矩阵中潜在的不可靠实例，判断每个物品向量是否需要校正；然后判断结果，利用包含上下文信息的候选项目集合内的候选项对潜在的不可靠实例进行修正，得到修正的实例集合；最后基于原始序列中实例与修正后的实例来训练推荐器，利用训练好的推荐器对给定用户交互序列，预测用户下一个会交互的物品。