一类局部共形近余辛流形的卷积子流形

讨论了具有常φ-截面曲率c的局部共形近余辛流形的卷积子流形,得到了其上平均曲率模长‖H‖和卷积函数f的新的关系式,改进了已有的一些结论.     

一类解析函数子类的Fekete-Szeg\"{o}不等式

定义了解析函数类~$\mathcal{M}_\alpha(\phi)\, (\alpha1)$, 得到了它精确的~Fekete-Szeg\{o}不等式. 作为~Fekete-Szeg\{o}不等式的应用, 得到了通过分式微分定义的函数类的~Fekete-Szeg\{o}不等式.     

基于分形残差网络的单幅图像超分辨率重建

近年来,各种基于卷积神经网络的单幅图像超分辨率方法取得了优异的性能提升.现有的超分辨率网络大多数都是使用单种尺度的卷积核来提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏,也无法很好地利用低分辨率图像的多尺度特征来提高图像的表达能力.为了解决超分辨率重建中存在的问题,提出了一种新的超分辨重建方法称为分型残差网络...     

Self-tuning measurement fusion white noise deconvolution estimator with correlated noises

For the multisensor linear discrete time-invariant stochastic systems with correlated noises and unknown noise statistics, an on-line noise statistics estimator is presented by using the correlation method. Substituting it into the steady-state Riccati equation, the self-tuning Riccati equation is obtained. Using the Kalman filtering method, based on the self-tuning Riccati equation, a self-tuning weighted measurement fusion white noise deconvolution estimator is presented. By the dynamic error system analysis (DESA) method, it is proved that the self-tuning fusion white noise deconvolution estimator converges to the optimal fusion steadystate white noise deconvolution estimator in a realization, so that it has the asymptotic global optimality. A simulation example for Bernoulli-Gaussian input white noise shows its effectiveness.     

海温垂直结构声特征提取的反演算法

针对自适应搜索算法在海温垂直结构冲激响应特征提取中运算速度慢、精度低的不足,引入共轭梯度反卷积算法CG(conjugate gradient method),得到海温垂直结构的冲激响应,利用层剥算法对所求得的冲激响应进行反演,得到海温垂直结构特征。结果表明:该算法能够克服单纯使用层剥算法而带来的反演不稳定现象,而且相比自适应搜索算法,反演速度快,反演精度高,具有一定的抗噪能力,并且声源信号的入射波形对反演效果影响较小,不同的迭代终止条件对反演结果也有较大的影响,在适当的范围内,减小迭代终止条件可以提高反演的精度,但是,如果迭代终止条件过小,则会引起虚假振荡,造成反演结果发散。     

基于轻量化卷积神经网络的改进模型与验证

卷积神经网络随着深度和结果复杂度的不断增加,其参数量和计算量大大制约了它的应用场景,本文在SueezeNet网络结构基础上引用分组卷积并采用Channel-shuffel来解决分组卷积后的信息不流通问题。以减少原有网络结构的的参数量提高网络运行效率。在ORL数据集的验证表现也表明,在网络参数减少的情况下分类精度和收敛效率并不会有降低甚至略有提高。可以体现分组卷积在结构轻量化上的有效性。     

一类非线性抛物方程Cauchy问题解的逼近性质

］利用基本解与初值的卷积来构造非线性方程的解, 用卷积结果来逼近其真解, 并运用Holder不等式和Taylor展开式给出了卷积结果与真解之间的误差     

分布式空时码协同通信系统简化均衡方法

摘要： 由于协同通信系统各中继节点分布位置的不同,产生了不同于传统多天线通信系统的多时偏问题. 该文考虑基于分布式线性卷积空时码的异步协同通信系统,将对应每个中继节点的时延偏移量等效到对应生成多项式中的零矢量,进而构造等效的异步协同通信系统模型. 对等效信道矩阵的带状Toeplitz 性质进行研究,提出一种基于Trench 算法求解带状Toeplitz 线性系统的块最小均方误差均衡方法,从而将求解高阶带状Toeplitz 线性系统的运算简化为求解低阶Toeplitz 线性系统的运算,避免了传统最小均方误差均衡算法中的高阶矩阵求逆运算,极大地降低了计算复杂度. 仿真结果表明,该均衡方法能在适当的数据帧长以及较大的时延量情况下取得满意的系统性能.     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.