一种改进的基于Sobol序列的快速线积分卷积法

为提高快速线积分卷积法（Sobol-FLIC）的计算效率和流线的覆盖率，提出了一种改进的基于Sobol序列的快速线积分卷积法。计算结果表明，与一般的快速线积分卷积法相比，改进后的算法计算效率提高了约10%，同时可以产生稀疏纹理和密纹理，并且采用二次LIC法对图像进行后处理提高了可视化效果。在Matlab环境中，该算法与几种基本算法（LIC，FLIC）的可视化效率、计算固定数目流线的可视化结果和图像覆盖率的比较结果证实了其优越性。     

基于BiTCNSA的恶意代码分类方法

当前恶意代码的对抗技术不断变化，恶意代码变种层出不穷，使恶意代码分类问题面临严峻挑战。针对目前基于深度学习的恶意代码分类方法提取特征不足和准确率低的问题，提出了基于双向时域卷积网络(BiTCN)和自注意力机制(Self-Attention)的恶意代码分类方法(BiTCNSA)。该方法融合恶意代码操作码特征和图像特征以展现不同的特征细节，增加特征多样性。构建BiTCN对融合特征进行处理，充分利用特征的前后依赖关系。引入自注意力机制对数据权值进行动态调整，进一步挖掘恶意代码内部数据间的关联性。在Kaggle数据集上对模型进行验证，实验结果表明:该方法准确率可达99.75%，具有较快的收敛速度和较低的误差。     

基于DenseNet的机载雷达动目标检测

针对传统机载雷达运动目标检测方法所需训练距离单元较多的问题,将运动目标检测问题转化为多分类问题.首先,基于少量训练距离单元数据构建分类所需的训练数据集;然后,基于卷积神经网络DenseNet构建多类分类器;最后,利用训练后的分类器提取雷达空时回波数据特征,进行目标检测和参数估计.仿真结果表明:基于DenseNet的机载雷达动目标检测方法能够有效检测目标,估计目标的距离、多普勒频率等参数.相比传统空时自适应处理方法,该方法能够显著减少所需训练距离单元数量;相比现有基于分类的目标检测方法,该方法能够有效提高目标检测和参数估计的准确度.     

SAW卷积器在扩频通讯和其它信号处理中的应用

本文讨论SAW卷积器在通讯和信号处理中的应用,着重介绍它们在扩频通讯中的作用。文中还对卷积器的噪声作了专门分析,以说明内外噪声源。     

一阶电路的2种分析法探讨

在分析线性一阶电路输入任意激励时的零状态响应时，可用卷积积分法，拉氏变换法，本文结合这２种方法举例探讨如下：１主要内容１１卷积积分法已知电路的冲激响应为ｈ（ｔ），则任意激励ｆ（ｔ）的零状响应ｆ０（ｔ）可由下述积分式求得［１］：ｆ０（ｔ）＝∫１０ｆ（...     

基于FSK-CNN的轴承故障诊断研究

在旋转机械设备的运维保障过程中，采用基于专家经验的传统故障检测方法难以对轴承的健康状态做出实时的状态检测。针对这一问题，本文提出一种基于快速谱峭度与卷积神经网络（FSK-CNN）的故障诊断方法。首先采用快速谱峭度（FSK）法对振动信号进行特征提取，将一维时域信号转化为二维的谱峭度图；之后，采用一种结合卷积注意力模块（CBAM）的卷积神经网络模型完成故障分类。试验结果表明，快速谱峭度法可以有效提取轴承振动信号故障特征，引入卷积注意力模块对传统卷积神经网络模型具有明显的优化作用，FSK-CNN的故障诊断方法对于10种不同的轴承故障类型的诊断准确率可以达到99%。     

控制卷积量变化的电化学方法理论与应用——亚铁氰化钾-抗坏血酸体系催化性能的验证

采用电流与时间的卷积作为可控制量的电化学实验方法：恒半积分法、半积分扫描法和半微分扫描法对亚铁氰化钾－抗坏血酸体系进行了研究，获得了电极反应的扩散系数和标准电极电位值，并以循环伏安法和控制卷积量变化的电位～时间曲线证实了后续化学反应催化性能的存在，结论与文献值相符．     

复杂场景下实时人脸口罩检测研究

针对AIZOO开源人脸口罩检测算法FaceMaskDetection存在较严重的人脸口罩分类精度低的缺陷,本文设计了高精度轻量级人脸口罩分类模型，提出快速特征提取模块FastBlock和基于多层级特征融合的轻量级人脸口罩分类网络（Light MaskNet）。FastBlock减少深度可分离（depthwise, DW）卷积和1×1卷积中间张量的通道数量，进一步降低计算成本，从而提高了特征提取速度。不同层级之间的特征融合可以增大模型的广度，提高模型的鲁棒性。实验结果表明，该人脸口罩分类模型精度可达98.852%，中央处理器(central processing unit, CPU)推理时间仅为9.8 ms，图形处理器(graphics processing unit, GPU)可实现亚毫秒级运算，仅牺牲少量计算资源就能弥补FaceMaskDetection精度低的缺陷，可很好地满足计算资源有限的边缘设备、移动端等的应用需求。     

基于Web服务的植物养护与病虫害预警信息管理平台

针对智能植物养护技术的高速发展以及植物病虫害防治预警的现实需求，基于Web服务技术开发植物养护与病虫害预警信息管理平台。平台主要技术结构包括Web服务器、数据库服务器、FTP服务器等，本地监控中心获得植物养护及病虫害信息后，自动做出养护指令发送到植物种植区域，调控温湿度、光照等环境参数。卷积神经网络模型识别植物叶片的病虫害，由k-means算法在颜色空间中实施像素色块聚类，提取植物叶片图像中的病斑，向管理人员发送病虫害预警信息。实验结果显示，该平台能够在较短的时间内准确获取植物病虫害信息，实时采集植物生长的环境参数。