复相角神经网络模型的存储容量分析

建立和讨论多态人工神经网络模型,在图象自动识别中具有重要的应用意义。Noest提出了用复平面单位圆上的等距的q个离散点表示q值象点的q态神经网络模型。复相角模型把平面转动引入神经网络,每个神经元的任一个态表示一个转动操作。加权后的总输入信号实际上也     

基于贝叶斯估计的神经信息流

判断神经网络之间的相互影响是一个重要的神经科学问题. 目前已提出了多种成熟的方法计算神经网络之间的耦合强度, 但是对于神经网络之间耦合方向(信息流)的研究还属于起步阶段. 一般的香农熵计算方法仅仅利用了样本重复概率的统计信息, 而贝叶斯估计则充分利用了整体先验知识和样本重复概率. 基于最小平方误差的贝叶斯估计提出了一种新的基于信息论的相位耦合方向指数计算方法. 经过集总参数神经网络模型所产生的仿真信号检验表明, 提出的方法能够准确地判断两个系统间的耦合方向, 并且减少了对数据长度的依赖性, 使分析短时高噪的复杂生物信号成为可能. 应用该新方法分析了癫痫病人临床信号, 结果表明该方法能判断出癫痫发作时各区域之间的影响方向, 并揭示了癫痫传播机制.     

关于线性同时逼近与光滑延拓

DeVore(Approximation Theory Ⅱ,1976)等利用Peetre引入的K泛函工具得到了各种线性逼近的阶.我们推广了K泛函这一工具,使之可以用来考察函数及其导函数的同时逼近,进而得到下述关于线性同时逼近与光滑延拓的几个定理.     

Turbo-MIMO系统中基于序列集合的新型检测器

在Turbo-MIMO系统中使用的一种信号检测器,它利用MMSE检测器得到可能的发射信号矢量的一个集合,同时对先验信息使用M算法找到另一个发射信号矢量集合,利用这两部分矢量集合,我们可以得到一个大大缩小的候选矢量集合,从而能大大减小系统复杂度。仿真结果表明,在使用QPSK星座时,该算法在误码率性能上和MAP检测算法只有1dB的差距。     

Turbo-MIMO系统中基于序列集合的新型检测器

在Turbo-MIMO系统中使用的一种信号检测器,它利用MMSE检测器得到可能的发射信号矢量的一个集合,同时对先验信息使用M算法找到另一个发射信号矢量集合,利用这两部分矢量集合,我们可以得到一个大大缩小的候选矢量集合,从而能大大减小系统复杂度.仿真结果表明,在使用QPSK星座时,该算法在误码率性能上和MAP检测算法只有1dB的差距.     

由端点和幅谱重建离散有限时宽信号

由幅谱重建信号的问题在许多物理和工程问题中常遇到,是信号处理研究的重要课题之一。一般情况下,仅由幅谱不能唯一地重建原信号,还需要其他限制条件。例如,假设已知信号为最小(或最大)相位的,或者附加已知傅氏变换谱(简记FT)的符号位信息,或者附加在时域内已知信号的部分采样点。     

自旋波声子耦合对反铁磁体红外吸收谱的影响

在磁有序物质中,由于交换作用常数受离子间距离变化的影响,其中存在自旋波和声子耦合。大多数非金属反铁磁体是离子晶体,因此,对这类反铁磁体,辐射场在激发一个光频支声子的同时通过自旋波和声子耦合有可能再激发两个自旋波和一个声子,从而茌晶格红外吸收带的高频边缘外形成附加吸收峯。本文利用这种辐射跃迁过程解释了Nio红外光谱的0.24电子伏附加吸收     

神经网络的学习和自组织(Ⅱ)

《神经网络的学习和自组织(Ⅰ)》一文分析了阶层型网络的学习算法。本文将介绍另一种主要网络——相互结合型网络的学习算法。与阶层型网络不同,相互结合型网络的任意两个节点之间都可以有连接,信号可以在网络中传来传去(图1),在70年代的时候,曾有人利用     

贝叶斯神经网络在生物序列分析中的应用

生物序列分析在生物信息学中占有重要地位.本文对贝叶斯神经网络(Bayesian neural networks)及其在生物序列分析中的应用作了评述.首先,简要地介绍了生物序列分析的重要性并对分析方法作了回顾;然后着重介绍了神经网络的贝叶斯学习及算法,并分析了算法的优点,同时介绍了贝叶斯神经网络在生物序列分析中应用的一个实例;最后展望了用贝叶斯神经网络进行生物序列分析的前景及面临的问题.     

利用人工智能神经网络和DEM数据进行植被变化探测

适时精确的探测土地利用和覆盖变化是研究其起因、过程和效应的基础.本研究利用人工智能神经网络对两景不同时期的影像(2003和2004年)进行一次性变化探测.并且输入层中增加了DEM和坡度两个额外"波段".在选取训练样区的过程中,共选取了82个亚类型,其中36个为植被变化亚类型,46个为无变化植被亚类型.NDVI差值法被用于探测变化和无变化的区域,该方法为获取精确的和足够的植被变化类型训练样区提供有效的参考.研究结果显示利用人工智能神经网络探测变化技术所产生的植被变化图,其精度明显高于分类后比较法所产生的植被变化图精度.此外将DEM和坡度作为额外波段结合两景影像得的8个主成分作为输入层,能够有效的提高人工智能神经网络进行山区植被变化探测精度.同时在选取训练样区的过程中,将各不同的变化和无变化的植被类型根据其不同的光谱特征分成不同的亚类型进行取样,对提高人工智能神经网络进行山区植被变化探测精度有着非常重要的促进作用,此处理可以降低山区影像的地形效应.     

时频分析在非平稳信号消噪中的应用

文章用时频分析方法中的傅里叶变换和小波变换方法对非平稳信号进行噪声消除,并根据仿真,就这两种方法对信号消噪处理结果,比较傅里叶变换和小波变换这两种方法的优缺点。     

蛋白激酶TTK与CENP-E相互作用并共定位于人细胞的动粒

纺锤体检验点（spindle checkpoint)是一个重要的细胞分裂化调节通路，监督染色体正确分离和传代，其信号传导主要通过两个蛋白激酶Mps1和Bub1/BubR1来调控，近期的研究发现动粒马达蛋白CENP-E与BubR1相互作用并参与纺锤体调控点的作用，为阐明纺锤体检验点分子调控机理，利用动粒蛋白质组学技术剖析人细胞动粒的蛋白质组成时发现了TTK蛋白-人细胞Mps1。揭示了TTK蛋白激酶定位于动粒，并与CENP-E相互作用，可能参与监控人细胞分裂过程中的染色体分离。     

加权K次移位算子的闭值域点和拟相似

1970年Lambert证明了拟相似的两个单射单侧加权移位算子一定是相似的,从而有相同的闭值域点,而拟相似的两个单射双侧加权移位算子是否有相同的闭值域点,这一直是一个未解决的问题。本文得到一个更强的结果,证明了拟相似的两个单射双侧加权K次移位算子有相同的闭值域点,从而有相同的本质谱。并且证明了拟相似的两个控制双侧加权移位算子     

齿轮箱故障诊断技术的新发展

指出齿轮箱是机械设备的重要传动部件,其故障诊断得到了广泛的重视;综述了小波变换、人工神经网络、专家系统等新的信号分析方法和故障诊断技术。     

用单通道直流高温超导量子干涉器磁强计测量人体心磁

利用单通道直流高温超导磁强计（de-SQUID）,在磁屏蔽室内测量了人体心脏跳动产生的磁场信号。依顺序调整无磁床的位置,得到了在胸前平面5×5正方格子上各点的心磁信号,利用同时记录的心电信号作为时间基准,把心磁信号作平均处理,每隔10ms得到一幅心磁分布图。使用标准的方法,计算了产生心磁的电偶极子矢量和它相对于测量平面的深度。还测量了有右束支传导阻滞病人的心脏的磁场分布,发现它们与正常人的心磁图有明显的不同。     

齿轮箱故障诊断技术的新发展

指出齿轮箱是机械设备的重要传动部件,其故障诊断得到了广泛的重视;综述了小波变换、人工神经网络、专家系统等新的信号分析方法和故障诊断技术.     

黑洞大合照

正这张由天文学家花费数年时间对射电望远镜所采集信息进行处理而得到的图片,记录的是银河系中心区域的黑洞分布。图中有2.5万个白点,其中每一个都代表一个活跃的超质量黑洞。黑洞虽然不释放可见光,但会发射超低频无线电,天文学家可以借助无线电信号探测到黑洞。通过超低频无线电探测黑洞的最大挑战,是必须摆脱大气电离层对无线电信号的干扰。为此,科学家利用超级计算机,每隔四秒对接收到的无线电信号进行一次电离层干扰校正。     

心电信号时间序列基于Lyapunov指数谱的主成分聚类分析

提出了心电信号时间序列基于Lyapunov指数谱的主成分聚类分析方法, 对MIT-BIH数据库中22个心电数据进行了分析, 得到了较好的诊断效果. 还提出一种改进TSS算法, 利用已知样本对未知样本进行分析, 进一步提高了实验结果的准确度. 该方法结合了统计学方法和非线性动力学方法的优点, 十分适合应用于心电信号等非线性时间序列分析.     

QNQL过程:(H,Q)-过程及其应用举例

1(H,Q)-过程随机过程研究者众,应用面广,例如Markov过程.Markov过程中以最小Markov链(即最小齐次可列Markov过程)发展得最成熟.这类过程的一大特点就是任一状态的逗留时间服从负指数分布.显然这个限制太严格.在本世纪50年代,Levy等人放弃了这个限制,但保留过程在其一列跳跃点上构成一个Markov链的性质,而引入了半Markov过程的概念并加以研究,得到这种过程的概率分布所满足的(向后)方程.例如,顾客到达时间间隔为独立同分布随机变量的排队系统的输入过程N(t)(N(t)表示在(0,t)时间内到达顾客的数目)就是半Markov过程的典型例子.到了80年代,Davis把对半Markov过程在相邻两个跳跃点之间只取一个常值(即只逗留于一个状态)的假设放宽为一段确定的光滑曲线,而在跳跃点上保持了Markov性,并借助于一个附加变量,引入了逐段确定的Markov过程的概念并加以研究,得到这类过程的广无穷小母元.GI/G/1排队系统的等待时间W(t)就是这类过程的典型例子.但仍有许多应用上十分有意义的随机过程不在考虑之列.这些过程是:具有一列有Markov性的跳跃点(不排除还有其他跳跃点),而在这种两个相邻跳跃点之间过程的轨道不一定是一段确定的光滑曲线,而是一段随机过程,这段随机过程的轨道也许是连续的,也许还有跳跃点,如:M/G/1,GI/M/1     

无转发器式卫星轨道实时精确测量新方法

卫星实时测轨| 光纤时间频率传递| 线性化迭代方法基于GPS定位原理提出了一种卫星轨道实时、精确测定的新方法. 该方法利用了光纤时间频率传递系统的高精度同步的优势, 在可实现位置精确已知的多个地面观测站间高精度时间同步的基础上, 由地面观测站连续向卫星发射测距信号, 并通过卫星上的信号接收和信号处理芯片实时解算出卫星的精确轨道. 由于该方法没有卫星转发时延等误差, 大大地提高了卫星轨道测定的实时性. 研究表明, 在实现地面站间100 ps级时间同步的基础上, 利用该方法获得更高的卫星轨道测距精度是完全可行的. 利用本方法同样可以得到卫星姿态测量的高精度.