非线性多阶分数阶微分方程组正解的存在性

应用增算子不动点定理和锥拉伸压缩不动点定理研究一类非线性多阶分数阶微分方程组的正解,得到了该方程组正解的存在性.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于大津算法和深度学习的开集声纹识别自适应阈值计算方法

针对开集声纹识别的自适应阈值计算问题, 提出一种基于大津算法和深度学习的阈值计算方法. 首先, 采用三层受限Boltzmann机堆叠而成的深度置信网络从Mel倒谱系数中提取语音深层特征; 其次, 通过Gauss混合模型计算特征的相似度值, 对特征的相似度值使用大津算法计算阈值. 实验结果表明, 该方法识别效果较理想, 与等错误率计算阈值方法相比, 具有更高的识别准确率.     

量子点敏化太阳能电池ZnO光阳极的制备及性能

先用水热法合成ZnO颗粒, 再用溶胶 凝胶法将ZnO颗粒制备成量子点敏化太阳能电池光阳极, 并通过X射线衍射(XRD)、 扫描电子显微镜(SEM)、 透射电子显微镜(TEM)、 紫外-可见吸收光谱(UV-Vis)和光电流密度 电压曲线分析不同厚度的六方纤锌矿型ZnO光阳极对量子点敏化太阳能电池性能的影响. 结果表明, 增加量子点的吸附面积可使ZnO光阳极的UV-Vis谱吸收带边红移, 进而提升太阳能电池的光电转换效率.     

LDPC 码改进型LBP 译码算法研究

针对LDPC(Low Density Parity Check) 码分层( LBP: Layered Belief Propagation) 译码算法计算复杂度高、不易于硬件实现的问题, 提出一种改进算法。该算法首先引入函数f(x)使LBP译码算法的计算复杂度大大降低; 同时引入具体参数校正因子和偏移因子, 提升译码性能。仿真结果表明, 改进后的算法相比LBP 算法在计
算复杂度降低的同时, 也提升了译码性能, 从而达到了易于硬件实现的目的。     

解决一类优化问题的变分迭代法

考虑利用变分迭代方法求解最优化问题,分别给出了求解一般的有约束和无约束最优化问题的基本步骤,并通过实例说明了所给方法的有效性.     

基于Adaboost首帧检测的时空上下文人脸跟踪算法

针对时空上下文算法首帧需进行手动框选及选择偏差带来后续跟踪干扰的不足, 提出利用Adaboost算法进行首帧检测, 引入Kalman预测机制辅助时空上下文算法进行跟踪.当出现遮挡、 抖动等问题时, 保证跟踪稳定地进行, 提高算法鲁棒性. 在Shelter1等3组公共数据集上进行对比实验的结果表明, 该算法能实现首帧自动检测功能, 后续跟踪算法的鲁棒性及跟踪效果也得到明显提升.     

基于φ-OTDR光纤振动传感系统模式识别方法

提出一种基于相位敏感光时域反射计(φ-OTDR)的光纤振动传感系统, 提取信号的主波能量、 主瓣时延、 主波峰峰值、 主波Q值、 频谱、 3 dB时延、 主瓣峰值、 中心频率、 二次回波损耗、 波数和半波长度11种特征参量作为参考衡量标准, 用多参量模糊评价矩阵的目标识别方法, 对5组200次实验进行相似目标识别分类. 结果表明,  该方法通过多角度参量进行目标衡量判别, 综合识别率达90.87%, 提高了相似识别的准确性.     

融合量子密钥的内网文件加密系统

随着量子计算技术快速发展，基于计算复杂性的加密技术正面临着巨大的威胁，单一的防火墙技术无法完全阻止黑客的侵入和发自内网的攻击。采用防火墙与量子保密通信技术相结合的策略，能够有效解决上述问题。文中设计了一种基于量子密钥的局域网内文件安全系统，使用量子密钥并结合"一次一密"的方式对局域网内部隐私文件进行加密，能够有效防范文件失窃带来的损失。系统包括2个部分：以文件处理单元为核心的客户端软件，以加/解密信息管理模块为核心部件的服务器。为了增加密文的复杂性、密钥的存储安全性、计算可行性，提出了密文混合拼接、弱口令错位置乱、密钥智能匹配3种密钥处理方法，有效提高了系统的整体安全性。经系统功能测试与网络仿真分析，验证了系统的有效性、安全性及可行性。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。