呼吸声分类中的问题已在去年的临床科学家和医学研究员团体中获得了良好的关注，以诊断Covid-19疾病。迄今为止，各种模型的人工智能（AI）进入了现实世界，从人类生成的声音等人生成的声音中检测了Covid-19疾病，例如语音/言语，咳嗽和呼吸。实现卷积神经网络（CNN）模型，用于解决基于人工智能（AI）的机器上的许多真实世界问题。在这种情况下，建议并实施一个维度（1D）CNN，以诊断Covid-19的呼吸系统疾病，例如语音，咳嗽和呼吸。应用基于增强的机制来改善Covid-19声音数据集的预处理性能，并使用1D卷积网络自动化Covid-19疾病诊断。此外，使用DDAE（数据去噪自动编码器）技术来产生诸如输入功能的深声特征，而不是采用MFCC（MEL频率跳跃系数）的标准输入，并且它更好地执行比以前的型号的准确性和性能。
translated by 谷歌翻译
点击率（CTR）预测任务是推荐系统中的基本任务。以前的大多数CTR模型研究基于宽\和深层结构构建，并逐渐演变为具有不同模块的平行结构。但是，平行结构的简单积累会导致更高的结构复杂性和更长的训练时间。基于输出层的Sigmoid激活函数，训练过程中平行结构的线性添加激活值很容易使样品落入弱梯度间隔，从而导致弱梯度的现象，并降低训练的有效性。为此，本文提出了一个平行的异质网络（PHN）模型，该模型通过三种不同的交互分析方法构建具有并行结构的网络，并使用软选择门控（SSG）以具有不同结构的异质数据。最后，在网络中使用了与可训练参数的残留链接来减轻弱梯度现象的影响。此外，我们证明了PHN在大量比较实验中的有效性，并可视化模型在训练过程和结构中的性能。
translated by 谷歌翻译