基于多层特征深度融合的卷积神经网络人脸识别方法

针对传统神经网络在人脸图像的训练过程中没有将高低卷积层信息进行融合,为充分利用图像各层特征信息,提出一种基于三层特征融合的全连接卷积神经网络模型,算法将原有网络最后三层特征结合,并将提取的特征信息与最后一层全连接层结合,从而增加了浅层特征的表达,加强了深层特征的提取效果,促使改进后的卷积神经网络提取的信息更加完备;同时将损失函数和中心函数加权联合,以提高人脸图像的识别率和区分性.在CASIA-webface人脸数据库进行的实验结果表明,改进后的网络模型识别率达到98. 7%,优于DCNN等算法,并将训练好的网络模型应用到YALE、PERET、LFW-A等人脸库上,相比其他方法识别率都有所提升.     

基于随机化融合和CNN的多模态肺部肿瘤图像识别

在多模态医学图像背景下,针对单模态图像识别存在目标模糊、边界不清等问题,提出一种基于随机化特征融合的卷积神经网络(Convolutional Neural Network,CNN)目标识别方法.首先使用参数迁移法构造卷积神经网络模型,利用自建的多模态医学图像数据库对CNN模型进行微调;然后,分别用CT(Computed Tomography),PET(Positron Emission Computed Tomography)和PET/CT三个模态的数据并行地训练网络,并提取全连接层的特征向量;其次,构造随机函数,将三个模态的全连接层数据进行随机化融合;最后,通过另一个全连接层和分类器对融合后的特征进行分类识别.通过批次大小、迭代次数和网络层数三个角度验证该方法的有效性,实验结果表明,随机化融合效果优于单模态CNN,且特异性和灵敏度也较高,因此该方法对临床肺部肿瘤识别具有良好的适应性.     

基于深度学习的网络攻击检测

针对现有的网络攻击检测方法检测精度不高的问题,提出一种基于并行卷积神经网络的在线网络安全攻击检测方法.该并行的深度卷积神经网络一共包含2个深度卷积神经网络用于提取特征:CNN1和CNN2,然后通过全连接层两个特征提取层,并通过软最大化操作将网络攻击的检测转换为攻击的分类模型.采用KDD Cup99作为仿真数据集,并采用训练数据来对深度模型进行训练,当模型的训练误差小于一定阈值时,采用测试数据进行测试.结果表明:将本文所提方法与文献[8]以及文献[9]所提的卷积神经网络进行比较,其结果表明了所提方法不仅具有较高的检测准确率而且具有较低的误报率上.     

基于译码可靠性的系统Polar码删余方法

为了研究删余系统Polar码的性能,提出了一种基于译码可靠性的系统Polar码删余方法.考虑到信道噪声对不同码字比特译码结果的影响并不相同,通过高斯近似的方法计算码字中每个比特的译码可靠性值并对其排序,选择可靠性值较低的码字比特位置作为删余位,构造删余系统Polar码.分析了不同删余方法对误比特率(BER)性能的影响,并将系统Polar码与非系统Polar码的性能进行了对比.仿真结果表明:在同等删余码率下,基于译码可靠性删余法的Polar码性能优于随机删余法的Polar码性能;与等条件下非系统Polar码相比,基于译码可靠性删余法的系统Polar码具有更好的误比特率性能.     

基于MATLAB的卷积交织编译码研究

介绍了卷积码的特点以及卷积码的编码和解码，讨论了加入交织后的对卷积编码的误码率的改善情况，并使用MATLAB进行DPSK通信系统中卷积编译码和卷积码 块交织的编译码仿真。     

基于GMSD的新混合损失函数

近年来,卷积神经网络(convolutional neural network, CNN)成为了图像超分辨(super resolution, SR)领域研究的主要方法,然而其研究方向大都集中在神经网络的结构改进上,对神经网络的损失函数层,仅有少部分研究者进行了研究。文章聚焦神经网络的损失函数,对多个损失函数进行了比较,并基于梯度幅值相似偏差(gradient magnitude similarity deviation, GMSD)评价函数,提出新的损失函数,给出新损失函数的反向传播公式。通过实验,验证了在模型不变的情况下,使用新的损失函数进行模型训练能够提高模型性能。     

一种针对混合空时编码解码方案的改进

针对结合空时分组码(STBC)及分层空时码(V-BLAST)的混合空时编码结构,提出了一种新型的接收解码方案.该方案首先对发送矢量、信道矩阵及接收矢量进行简单的拓展重构,然后直接进行V-BLAST串行干扰消除检测算法,充分利用了STBC的分集增益及V-BLAST串行干扰消除译码的优势.仿真结果表明,对于STBC占较大比重的混合空时编码结构或接收天线数量大于发送天线数量的情况,这种新型的接收解码方案的误码率性能相对于传统的解码方案优势尤其明显,适用于上行链路使用.     

一种基于孪生网络的图片匹配算法

随着卷积神经网络（Convolutional Neural Networks,CNN）的不断改进，基于CNN的图片匹配成为图像处理的关键，然而，许多基于CNN的图像相似度检测算法对图像特征的表达能力较差，且曼哈顿距离或欧式距离的计算方式导致在计算损失函数时模型不一定能很好地收敛.针对此问题，提出一种基于孪生网络和注意力机制的方法（CSNET）来提升图像匹配的性能，主要步骤如下：使用将激活函数改进为Mish函数的VGG16网络作为主干网络提取图像的特征，在模型的卷积层加入注意力机制模块（Convolutional Block Attention Module,CBAM），这提高了模型的特征提取能力和鲁棒性，保证训练可以收敛.对模型输入图片对的特征向量的欧氏距离，再利用网络全连接层输出的相似度分数来度量被检图片是否相似.将提出的CSNET与其他图片匹配方法在Omniglot和SigComp2011等数据集上进行比较，实验结果表明，CSNET能有效提高图像相似度匹配的准确性.     

串行级联码在浅海水声通信中的性能研究

基于π/4-QPSK调制解调方式讨论串行级联码在浅海水声信道中的实现方案,建立了浅海水声信道模型,并在此基础上针对多径干扰和多普勒频移进行了仿真。仿真表明,串行级联码能有效地减小密集突发错误,保证通信的可靠性。串行级联码的性能明显大于单独的RS码或卷积码,在不考虑译码复杂度的情况下,误码率低于Turbo码和LDPC码。     

多模态3D CNN脑部胶质瘤分割方法

目的 由于大多数脑部胶质瘤边界有水肿且内部结构复杂,分割胶质瘤及瘤内结构难度较大。提出一种新的基于多模态MRI 3D卷积神经网络(CNN)脑部胶质瘤及瘤内各结构的自动分割算法。 方法 首先,标准化由T1、T1c、T2、FLAIR 4个MRI模态组成的输入图像。其次,构建10个卷积层、2个全连接层的3D CNN。卷积层采用3×3×3 的3D 卷积核;全连接层采用PReLu激励函数,并结合dropout技术防止过拟合。结果 构建的3D CNN分割胶质瘤和瘤内各结构精度高,与专家手动分割的结果接近。结论 实验结果表明,构建的多模态3D CNN能够准确的分割MRI多模态图像脑部胶质瘤及瘤内各结构,具有重要的临床意义。     

基于矢量量化和可变长编码的联合信源信道编码

提出了一个在噪声信道中对可变长信源编码码流传输提供有效差错保护的联合信源信道编码方案，利用信源编码器输出中的残留冗余为传输码流提供差错保护。该方法基于改进的联合卷积软解码以及采用非霍夫曼码的通用可变长码(UVLC)，更接近于一般的信源和信道编码方法，并且信源符号集的大小也不受限制。仿真结果表明，文中提出的联合编码系统可获得比传统的分离编码系统更高的性能增益。     

无线通信中压缩图像传输的信源信道联合解码

提出了一种应用于矢量量化信源的QPSK调制的信源信道联合解码的新方案．该方案在不改变原有传输系统中的Turbo Log—MAP译码器结构的情况下，通过重组图像的错误检测，反馈信源的信息来改变译码过程中译码器间传递的外信息，从而提高信道译码的纠错能力．实验表明，通过应用这种联合解码方法，至少减少了一个数量级的比特错误，而且使用较小的迭代次数就可以达到较高迭代次数的效果．这将大大减少译码的延迟，使得Turbo码的应用更为广泛．     

一种基于维特比解码的超高频RFID读写器解码器设计

车辆管理和生产管理等应用对超高频射频识别(UHF RFID)读写器的灵敏度有很高的要求.读写器数字基带解码器作为接收链路的关键环节,其误码率(BER)性能直接影响读写器的接收灵敏度.维特比解码是一种广泛应用于卷积码的解码算法,利用卷积码中码元间的相互联系实现纠错解码.本文首次将维特比解码移植应用于UHF RFID系统中的FM0编码的解码算法中.该解码器利用FM0编码的记忆性,结合维特比解码的纠错能力来降低误码率.仿真结果表明,该解码器在信噪比(SNR)为7.3dB的条件下,可以将误码率降至10-5.相对于最优接收机结构,该解码算法有2.5dB的信噪比优势.     

基于AWGN多次迭代的Turbo码与卷积码性能比较

分析了卷积码及由其发展出的Turbo码的编码原理,给出了这2种编码方法的结构特征和最大后验概率(MAP)的译码算法;分别对卷积码和Turbo码进行仿真,得到在码长1024尽可能多的迭代次数情况下的Turbo码误码率(BER)曲线和采用维特比译码方法的卷积码误码率曲线.通过比较2种编码方法的仿真结果验证了Turbo码编码和译码系统的性能比传统的卷积码系统性能优异的结论,提出并描述了尽可能多次迭代的Turbo码对卷积码在性能上的具体优势.     

新型卷积码编码器结构与性能分析

综合了LDPC和卷积码的特征,给出了一种卷积码编码器结构的改进方法. 利用此方法可构造稀疏卷积码,进一步基于卷积码编码结构可实现高性能译码. 设计了基于MIMO系统平台的时变新型卷积码结构,并进行仿真分析. 结果表明,应用本文提出的卷积码编码器误码率在10-4时比传统卷积码编码器有2 dB的编码增益提高;同时提出的编码器结构还可实现传统卷积码无法实现的长约束并行编码,具有实现简单、译码延时小的优势.      

基于Turbo编译码方案的BPSK系统性能研究

在介绍Turbo码编、译码原理的基础上，建立一个典型BPSK通信系统模型。将Turbo码与其它编码方式分别运用于该系统模型，通过Matlab仿真，研究、分析了系统在不同编译码方式下的误比特性能。仿真结果表明，Turbo编译码方案在差错控制和纠错方面性能明显优于目前广泛应用的卷积码及其它线性分组码。在误比特率达到10^-5时。Turbo码的编码增益比其它编码方式高出1．5dB以上。     

一种新型分组卷积码

针对固定长度报文的差错控制,设计了一种新型分组卷积码,它结合了分组码和卷积码的优点,具有高传输效率、低时延及高可靠性的特点。介绍了分组卷积码的基本思想,给出了分组卷积码的生成矩阵和校验矩阵,并通过编译码例子展示了分组卷积码的整个编码和译码过程;对传输效率及误码率性能进行了分析;通过计算机仿真,比较了分组卷积码和传统卷积码的误比特率。结果表明:与传统卷积码相比,分组卷积码具有更高的传输效率,而误比特率基本相同。     

基于低速率语音的自适应联合编码调制方案

为了在时变衰落的高误码率无线信道上进行实时可靠语音通信,提出一种基于低速率语音的自适应联合信源信道编码与调制传输方案。该方案根据对合成语音质量影响程度不同自适应地将语音参数划分为不同重要性级别,配合采用不同效率的速率匹配的删余卷积码(rate compatiblepunctured code,RCPC)进行保护,在正交频分复用(orthogonal frequency division modulation,OFDM)系统的不同子信道上进行传输。各参数均根据当前信道的噪声水平跟踪动态调整,子信道的瞬时噪声根据RCPC译码前后序列符号改变情况进行估计。仿真结果表明:在Nakagami-m时变衰落信道下,该自适应联合编码调制方案可以很好地适应信道地时变衰落特性,在恶劣的信道条件下提供良好的合成语音质量,相对传统分离传输方案,误码率降低20%~30%,语音合成质量明显提高。     

基于低速率语音的自适应联合编码调制方案

为了在时变衰落的高误码率无线信道上进行实时可靠语音通信,提出了一种基于低速率语音的自适应联合信源信道编码与调制传输方案。该方案根据对合成语音质量影响程度不同自适应地将语音参数划分为不同重要性级别,配合采用不同效率的速率匹配的删余卷积码(rate compatible punctured code,RCPC)进行保护,在正交频分复用(orthogonal frequency division modulation,OFDM)系统的不同子信道上进行传输。各参数均根据当前信道的噪声水平跟踪动态调整,子信道的瞬时噪声根据RCPC译码前后序列符号改变情况进行估计。仿真结果表明:在Nakagami-m时变衰落信道下,该自适应联合编码调制方案可以很好地适应信道地时变衰落特性,在恶劣的信道条件下提供良好的合成语音质量,相对传统分离传输方案,误码率降低20%-30%,语音合成质量明显提高。     

并行级联格码调制

本文提出了一种新的格码调制方法,它采用Ｕｎｇｅｒｂｏｅｃｋ码作为Ｔｕｒｂｏ码的基本编码器,译码利用了选代译码方法,以１６ＱＡＭ和８ＰＳＫ为例,经几次迭代,在低信噪比下,可达到很低的比特差错率。