2018年第12周认知模型迭代

联盟即将成立“人工智能+网络空间安全专业委员会”，详细内容请您点击碎片N0.1链接查看，欢迎您的加入。

在微学院第12周，来自中国林业大学人工智能研究所的专家学者们，为大家带来了他们最新的科研成果。作为使用机器学习辅助研究的先行者，林大学者在声纹识别、机器识别等领域取得了突破性的进步。我们来一起回顾下这些精彩的内容吧。

人工智能产业技术创新战略联盟联合业内翘楚，以《中华人民共和网络安全法》和《新一代人工智能发展规划》为指导，以增强人工智能+网络空间安全建设的前瞻性、科学性和实用性，并助力我国人工智能产业的快速发展为目标，计划组建“人工智能+网络空间安全专业委员会”。

专委会宗旨

人工智能＋网络空间安全专委会通过人工智能产业技术创新战略联盟整体化发展，在国家人工智能产业发展合作平台的基础上，推广人工智能最新成果在信息安全领域的示范和推广应用，积极参与国际人工智能技术在信息安全领域的标准化工作，助力我国人工智能产业的快速发展。

声波识别，是组成语音识别体系的关键所在，在初步了解了声波识别之后，让我们一起跟随林大学者的脚步，学习声纹识别技术的原理与迭代。他们的研究又有怎样的突破呢？

北京林业大学人工智能研究所，致力于采用AI+机器学习的研究方式，将深度学习应用在声纹识别领域中。目前已取得了突破性的进展，在声波识别的系统性能以及精确度上都有显著的提升。本期为您带来声波识别技术的原理与技术迭代。

那么声纹识别的技术原理和应用有哪些呢，来轻松的了解一下。

顾名思义声纹，也就是一个人的声音就像指纹一样具有个体差异性，是某个人独特的生物属性的一种。声纹识别技术的应用场景还是不少的。在银行领域中，声纹是很好的一个biometrics，因为语音是很自然的交流工具。但是声纹识别目前也有难题。

吴恩达曾经预测当语音识别的准确率从95%上升到99%时，语音识别将会成为人类与计算机交互的新方式。归功于深度学习，这4%的准确率的提升使得语音识别从难以实际应用的技术变成有无限的应用潜力的技术。那么使用深度学习进行语音识别是怎么实现的呢？

语音识别技术已经发展了几十年，近年突然变得炙手可热，这归功于深度学习终于使得语音识别的准确率提升到足矣让这项技术在实验测试以外的实际场景中应用。

如果你对神经机器翻译的工作机制已经有所了解，你可能会想到，我们可以简单地将声音作为输入进神经网络，然后训练网络产生文本。

在本文中，来自北京立林业大学AI研究所的专家将为您介绍一种源代码抄袭检测方法，称为WASTK（加权抽象语法树内核），用于计算机科学教育。不同于其他的剽窃检测方法，WASTK除了检测不同程序之间的相似性之外，还会考虑一些其他方面。

在文末的论文中介绍了这种检测源代码抄袭的方法及其增强方法。这种方法不仅考虑了两段代码之间的相似性，而且考虑了编程的上下文背景。

根据实验结果，WASTK在相同数据集上的表现比其他流行方法好得多。另外，改进的树内核考虑了两个子树的对应表达式之间的相似性，这有助于检测具有轻微变化的代码剽窃。当代码段具有共同的框架时，本文应用的TF-IDF为其节点设置较低的权重以避免误判。

这是一种用于钢琴的连续笔记识别的长短诗记忆投影的循环神经网络结构。长短时记忆网络（LSTM）是一种与时间序列相关的循环神经网络（RNN），在语音识别和图像识别方面取得了良好的效果。它具有较好的性能，最佳识别率可达99.8％。

我们基于北京林业大学音乐库进行了实验，提出的结构能有利于减少训练时间，而且受益于投影层。使用它的原因是在良好的性能基础上，识别率为99.8％。在本文中，我们使用了神经网络结构来识别连续的音符。找到了迭代次数最少的、最适合于钢琴的连续音符识别的方法

未来，我们将使用LSTM，LSTMP和DLSTM来识别更复杂的连续和弦音乐，例如钢琴音乐，小提琴音乐甚至交响乐，这将大大改善音乐机器人的发展。

我们将在下周为您带来“人工智能+网络空间安全专业委员会”的相关内容，敬请期待。

如果您想加入我们，或者想了解专委会的其他事宜，欢迎您留言，我们将尽快与您取得联系。