基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

多维度深海鱼类识别算法

针对深海光线分布不均匀导致鱼类识别检测困难的问题,提出了符合视觉认知的多维度深海鱼类识别算法.该方法从时间维度优化传统的高斯混合模型(GMM)初步确定变化区域,从空间维度构建目标特征,完整提取运动目标,从时空关联维度建立深度学习的鱼类识别框架,试验结果表明:本算法可在多种复杂条件下准确提取运动目标,面积交迭度(AOM)达到80％以上,优于当前主流算法.     

茶树花多糖研究进展

茶树花与茶叶同根共生,但往往被视为茶树的废弃物,不能很好地加以利用,从而造成资源的浪费与损失。茶树花含有丰富的活性物质,其中茶树花中的多糖成分与茶叶中含有的多糖成分基本相同,但含量明显高于茶鲜叶。茶树花多糖具有降血糖、抗氧化、免疫调节作用及抗肿瘤、肝保护、抗凝血等多种生物活性,是非常宝贵的新资源食品。茶树花多糖主要的提取方法包括溶剂提取法、酶法提取、微波辅助提取和超声辅助提取法。提取出的茶树花粗多糖,一般需要经过脱蛋白、脱色、色谱柱分离等纯化工艺,得到纯净的茶树花多糖。目前,围绕茶树花多糖的研究报道较少,值得对其进行深入研究。聚焦茶树花这一新资源食品,围绕茶树花多糖的生物活性、提取方法、分离纯化方法等方面进行阐述,以期为研究茶树花及其多糖活性物质的开发利用提供新的研究思路。     

基于自注意力机制的科技术语自动提取技术研究

科技术语提取是科技术语自动处理的重要环节,对后续的机器翻译、信息检索、QA问答等任务有重要意义。传统的人工科技术语提取方法耗费大量的人力成本。而一种自动提取科技术语方法是将术语提取转化为序列标注问题,通过监督学习方法训练出标注模型,但是面临缺乏大规模科技术语标注语料库的问题。文章引入远程监督的方法来产生大规模训练标注语料。另外又提出基于自注意力机制的Bi-LSTM的模型架构来提高科技术语提取结果。发现新模型在发现新的科技术语的能力上远远优于传统机器学习模型(CRF)。     

基于ArcGIS的矢量数据批量提取坐标的方法

现阶段,为了满足工程施工需要,往往需要提取地形图纸中多段线的拐点坐标。传统的坐标提取方法主要有两种:一种是在AutoCAD中利用显示图形数据信息命令LIST和指示点命令ID进行坐标提取;另一种是采用AutoCAD编程语言或者专业软件进行坐标提取。但前者效率低,容易出错,而后者对作业人员的编程能力要求较高,不易实现。为了解决上述问题,本文提出了一种基于ArcGIS批量提取坐标的方法,并且通过实例验证了该方法的有效性。结果表明,该方法有效解决了坐标批量提取问题,减少了人为错误,极大地提高了工作效率。     

非动态的背景建模与前景检测算法

为了从一些复杂的场景中提取出人像,用到的开源代码有很多,其均假设若一个像素的颜色在较长时间内变化不大,则认为它是背景。但是,这些开源代码在用于一些自拍摄像头时效果较差,因为当一个人端坐在摄像头前,他的像素不会发生很大变化。因此,本文提出了另外一种算法,该算法基于如下假设:在背景建模期间前景不会出现,且背景建模结束后,背景的变化始终为建模期间背景变化的子集。这种非动态的算法适用于提取距离摄像头距离更近的对象。     

改进均值漂移算法的焊缝特征点识别分析

对于线结构光视觉传感的焊缝跟踪系统,快速、精准地识别和提取焊缝特征点是关键.根据结构光条纹线在焊缝处的变形导致的条纹不连续现象,对不锈钢平板对接焊缝和搭接焊缝进行了跟踪试验,提出以改进的均值漂移算法提取焊缝特征点的算法.与传统算法不同,所提算法免去了提取条纹中心线与拟合条纹线过程,直接通过漂移识别焊缝特征点;通过限制漂移算法的搜索方向,防止搜索"回漂"现象;引入漂移加速因子,提高算法执行效率.试验结果表明,利用改进均值漂移算法能够有效地识别焊缝特征点,显著地提高焊缝跟踪的准确度和实时性能.     

面向初等数学的知识点关系提取研究

随着互联网技术的发展,在线教育已经改变了学生的学习方式.但由于缺乏完整的知识体系,在线教育存在着智能化程度低和"信息迷航"的问题.因此,构建知识体系成为在线教育平台的核心技术.知识点间的关系提取是知识体系构建的主要任务之一,目前比较高效的关系提取算法主要是监督式的.但是这类方法受限于文本质量低、语料稀缺、标签数据难获取、特征工程效率低、难以提取有向关系等挑战.为此,基于百科语料和远程监督思想,研究了知识点间的关系提取算法.提出了基于关系表示的注意力机制,该方法能够提取知识点间的有向关系信息.结合了GCN和LSTM的优势,提出了GCLSTM,该模型更好地提取了句子中的多点信息.基于Transformer架构和关系表示的注意力机制,提出了适用于有向关系提取的BTRE模型,降低了模型的复杂度.设计并实现了知识点关系提取系统.通过设计3组对比实验,验证了模型的性能和效率.     

一种HEVC样点自适应补偿快速算法

为解决高性能视频编码标准H.265/HEVC中引入的样点自适应补偿技术的计算复杂度极高导致严重影响编码效率的问题,提出一种HEVC样点自适应补偿快速算法.首先根据编码单元(coding unit, CU)的划分深度确定亮度树形编码块(coding tree block, CTB)中需要提取边缘方向的区域,然后利用边缘方向提取算法获得亮度CTB的边缘方向列表,并根据此列表减少亮度CTB在模式判别过程中遍历的模式数量,最后利用亮度和色度CTB之间的相关性进一步简化色度CTB的模式判别过程.实验结果表明,在性能损失较小的情况下,本算法可以在全I帧(AI)、随机访问(RA)、低延时B帧(LB)、低延时P帧(LP)四种配置下分别节省31.75%、 56.85%、 52.81%、 51.51%的样点自适应补偿编码时间.