智能化“黑广播”监测系统设计

随着无线电通信事业的迅速发展,城市上空电磁环境日益复杂,非法"黑广播"也屡禁不止。"黑广播"成本低、隐蔽强性、发现难,但危害不容忽视。面对打击"黑广播"的难题,本文提出设计智能化"黑广播"监测系统。该系统结合人工智能等新技术,可实现实时监测、信号锁定、信息上传、远程控制等一系列功能。     

NMT建模技术应用研究

论述了CAD/CAE集成方法,对于CAD和CAE系统提出了一个单一的主模型,从主模型中可提取设计特征模型和分析特征模型,随着2个模型的修改,主模型也随着修改,实现了同时性,并对理想化过程进行了阐述.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

广播监测显示系统在河南广播电视监测网中的应用

广播收测业务中,对广播信号质量和效果的实时监测以及对广播信号频率和时间表变化的实时监测主要由监测人员实时收测完成。这种监测方式的主要弊端是:不能完成实时监视广播信号实际播出效果及直观反映广播信号播出质量,广播监测显示系统的实现成功解决的该问题,并在河南省广播电视监测网种充分发挥了作用。     

一种基于安全中间件的网格安全模型

对于网格系统这样复杂的系统,单一的安全功能不能满足其需求,所以必须要集成多种安全功能.通过对现有网格安全模型进行分析,总结其存在的缺点,利用安全中间件把安全功能作为服务提供给用户,构建了一种新的网格安全模型,并对安全中间件进行了简单的设计实现.该模型可以更好地为网格系统提供完善的安全支持.     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点，其框架在满足数据不出本地的情况下，可以训练出多方均满意的共同模型，但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题，因此提出基于深度学习的联邦集成算法，将深度学习与集成学习应用到联邦学习的框架下，通过优化本地模型的参数，提高了本地模型准确率；使用不同的集成算法来整合本地模型参数，在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比，该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%，在保证准确率的同时也提升多源数据与模型的安全性，具有很重要的应用价值。     

河南地球站音频广播信号监测系统

河南地球站在重视卫视节目安全播出的同时,音频广播节目的安全播出也越来越受到重视.该站承担着一套卫视节目和七套音频广播节目(8个单声)的播出任务,以前对音频广播节目的监测缺少先进和完善的技术手段,只能靠手动切换轮换监听某一路音频广播信号,不具备自动记录和故障查询手段,音频广播节目的安全播出存在隐患. 技术人员详细调研后,没有找到适合本站需求的音频广播信号监测系统,为此,根据音频广播节目播出的实际情况,自主研发河南地球站音频广播信号监测系统.该系统使用相关硬件采集音频广播信号,通过开发软件对音频广播信号进行分析和处理,从而完成对音频广播信号的自动化监测.     

自组织特征映射神经网络用于语音识别的研究

该文提出了一种优化的自组织学习算法。基于自组织特征映射(SOM)神经网络和隐马尔柯夫模型(HMM)法,组成了一种新的语音识别系统,该系统采用SOM网络作为矢量量化器。SOM网络经过优化的自组织学习算法训练后,再用K均值聚类算法对其进行调整。实验结果表明,该文提出的语音识别方法确实能提高系统的识别率。     

LSTM神经网络模型在GPS变形监测中的应用研究

为提高GPS变形监测在工程应用中的精确度,研究LSTM神经网络在变形监测中的作用。分别利用建立的GM(1,1)模型和LSTM神经网络模型对GPS变形监测工程案例进行应用分析,与GM(1,1)模型相比LSTM神经网络模型预测误差降低幅度可达58%,相对误差降低幅度可达62%,RMSE值降低幅度为66%,结果说明LSTM神经网络模型较GM(1,1)模型有更高的预测精确度,预测结果更接近实际测量结果,深度学习的方法之一LSTM神经网络模型在GPS变形监测中有很高的应用价值。