本文介绍了一个统一的源滤波器网络，具有谐波源源激发生成机制。在以前的工作中，我们提出了统一的源滤波器gan（USFGAN），用于开发具有统一源滤波器神经网络体系结构的灵活语音可控性的高保真神经声码器。但是，USFGAN对Aperiodic源激发信号进行建模的能力不足，并且自然语音和生成的语音之间的声音质量仍然存在差距。为了改善源激发建模和产生的声音质量，提出了一个新的源激励生成网络，分别生成周期性和大约组件。还采用了Hifigan的高级对抗训练程序来代替原始USFGAN中使用的平行波甘的训练。客观和主观评估结果都表明，经过修改的USFGAN可显着提高基本USFGAN的声音质量，同时保持语音可控性。
translated by 谷歌翻译
te reo m \ = aori（称为m \ = aori），新西兰的土著语言在语言技术中的资源不足。 m \ = aori扬声器是双语的，其中m \ = aori用英语进行了代码开关。不幸的是，M \ = AORI语言技术，语言检测和M \ = Aori-English对之间的代码转换检测的资源最少。英语和M \ = AORI都使用罗马衍生的拼字法制作基于规则的系统来检测语言和代码转换限制性。大多数M \ = AORI语言检测是由语言专家手动完成的。这项研究构建了66,016,807个单词的Aori英语双语数据库，并带有单词级语言注释。新西兰议会汉萨德辩论报告用于构建数据库。语言标签是使用特定语言规则和专家手册注释分配的。 M \ = AORI和英语的单词具有相同的拼写，但含义不同。这些词不能根据单词级的语言规则将其归类为M \ = AORI或英语。因此，需要手动注释。还报道了报告数据库的各个方面的分析，例如元数据，逐年分析，经常出现的单词，句子长度和n-grams。这里开发的数据库是新西兰Aotearoa的未来语言和语音技术开发的宝贵工具。遵循标签数据库的方法也可以遵循其他低资源的语言对。
translated by 谷歌翻译
这项工作使用来自建设性模拟的可靠数据比较了监督的机器学习方法，以估算空袭期间发射导弹的最有效时刻。我们采用了重采样技术来改善预测模型，分析准确性，精度，召回和F1得分。的确，我们可以根据决策树以及其他算法对重采样技术的显着敏感性来确定模型的显着性能。最佳F1分数的模型的值分别为0.379和0.465，而没有重新采样技术，这一值分别增加了22.69％。因此，如果理想，重新采样技术可以改善模型的召回率和F1得分，而准确性和精确度略有下降。因此，通过通过建设性模拟获得的数据，可以根据机器学习模型开发决策支持工具，从而可以提高BVR空中战斗的飞行质量，从而提高进攻任务的有效性以达到特定目标。
translated by 谷歌翻译
这项工作调查了使用深神经网络（DNN）来执行武器接触区域（WEZ）最大发射范围的估计。韦茨允许飞行员识别空域，其中可用导弹具有更大的成功参与特定目标的概率，即围绕着对手易受射击群体的飞机的假设区域。我们提出了一种方法来确定使用50,000个变化条件下的模拟发射的给定导弹的韦茨。这些模拟用于训练当飞机在不同的烧制条件下发现自身时，可以预测韦茨的DNN，其测定系数为0.99。它提供了另一种关于前面研究的程序，因为它采用了非离散化模型，即，它立即考虑了WEZ的所有方向，以前尚未完成。此外，所提出的方法使用实验设计，允许较少的模拟运行，提供更快的模型训练。
translated by 谷歌翻译
这项工作旨在在防御柜台（DCA）任务的背景下提供超出视觉范围（BVR）空战的参与决策支持工具。在BVR AIR作战中，接合判决是指通过假设令人反感的姿态和执行相应的演示来选择导频的时刻。为了模拟这一决定，我们使用巴西空军航空航天仿真环境（\ {Ambiente de Simula \ C {C} \〜a \〜a \〜ao ao aeroispacial - Asa}在葡萄牙语中，它产生了3,729个建设性模拟，每个建设性模拟持续12分钟，总共10,316场比赛。我们通过称为DCA指数的操作性标准分析了所有样本，这些标准基于主题专家的经验，这类使命的成功程度代表。该公制考虑了同一团队和对方团队的飞机的距离，对抗空气巡逻的点以及所使用的导弹数。通过在整个参与过程中开始和DCA指数的平均值之前定义参与状态，我们创建了一个监督的学习模型，以确定新的参与的质量。一种基于决策树的算法，与XGBoost库一起使用，提供了一种回归模型，以预测具有接近0.8的确定系数的DCA索引和0.05的根均方误差，可以为BVR飞行员提供参数以决定是否或不要搞。因此，使用通过仿真获得的数据，这项工作通过基于BVR Air战斗的机器学习构建决策支持系统而有贡献。
translated by 谷歌翻译