公开(公告)号：CN116778937A

公开(公告)日：2023-09-19

申请号：CN202310314078.X

申请日：2023-03-28

Applicant: 南京工程学院

Inventor： 陈牧图 ,  夏宇闻 ,  祁泽源 ,  龚剡驿 ,  纪科旭 ,  罗姝雯 ,  谢跃

IPC: G10L21/013 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G10L19/16 ,  G10L25/18 ,  G10L25/24 ,  G10L25/30

Abstract: 本发明公开了一种基于说话人对抗子网络的语音转换方法。本发明通过在将说话人对抗子网络嵌入至语音转换模型StarGAN‑VC2中，提出了添加说话人对抗子网络辅助特征解码的策略，并融合了说话人对抗损失函数与生成器损失函数，使得二者在对抗中提高编码器的说话人身份信息去除效果，同时为了更好地适应语音转换任务，引入了自适应实例归一化算法辅助特征解码，能够有效的提升语音转换的质量以及说话人相似度，因此，使得语音在转换过程中，具有检验与反馈机制，非语义特征剔除彻底，可以在保持多对多的非平行语料转换方法优越性的前提下，创造出一个说话人身份信息去除辅助与验证机制，语音转换效果好，具有良好的应用前景。

公开(公告)号：CN116778937B

公开(公告)日：2024-01-23

申请号：CN202310314078.X

申请日：2023-03-28

Applicant: 南京工程学院

Inventor： 陈牧图 ,  夏宇闻 ,  祁泽源 ,  龚剡驿 ,  纪科旭 ,  罗姝雯 ,  谢跃

IPC: G10L21/013 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G10L19/16 ,  G10L25/18 ,  G10L25/24 ,  G10L25/30

Abstract: 本发明公开了一种基于说话人对抗子网络的语音转换方法。本发明通过在将说话人对抗子网络嵌入至语音转换模型StarGAN‑VC2中，提出了添加说话人对抗子网络辅助特征解码的策略，并融合了说话人对抗损失函数与生成器损失函数，使得二者在对抗中提高编码器的说话人身份信息去除效果，同时为了更好地适应语音转换任务，引入了自适应实例归一化算法辅助特征解码，能够有效的提升语音转换的质量以及说话人相似度，因此，使得语音在转换过程中，具有检验与反馈机制，非语义特征剔除彻底，可以在保持多对多的非平行语料转换方法优越性的前提下，创造出一个说话人身份信息去除辅助与验证机(56)对比文件Yutian Wang et al.FeatureQuantization for Many-to-many VoiceConversion. 2020 IEEE InternationalConference on Information Technology,BigData and Artificial Intelligence (ICIBA).2020,全文.

公开(公告)号：CN115508711B

公开(公告)日：2023-06-30

申请号：CN202211234600.5

申请日：2022-10-10

Applicant: 南京工程学院

Inventor： 夏佳琪 ,  蔡雨腾 ,  史清烁 ,  周卫强 ,  葛城彤 ,  崔译文 ,  储鹏 ,  葛范婷 ,  李灿 ,  张洪观 ,  罗姝雯 ,  黄栋倩 ,  朱兴宇 ,  戴玉明

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/385 ,  G01R31/392 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，该方法包括以下步骤：S1、获取历史数据库中的锂电性能数据，并生成数据集；S2、对数据集的锂电性能数据进行预处理；S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；S4、在网络体系结构中通过adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。本发明利用卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。

公开(公告)号：CN115508711A

公开(公告)日：2022-12-23

申请号：CN202211234600.5

申请日：2022-10-10

Applicant: 南京工程学院

Inventor： 夏佳琪 ,  蔡雨腾 ,  史清烁 ,  周卫强 ,  葛城彤 ,  崔译文 ,  储鹏 ,  葛范婷 ,  李灿 ,  张洪观 ,  罗姝雯 ,  黄栋倩 ,  朱兴宇 ,  戴玉明

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/385 ,  G01R31/392 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，该方法包括以下步骤：S1、获取历史数据库中的锂电性能数据，并生成数据集；S2、对数据集的锂电性能数据进行预处理；S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。本发明利用卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。