基于自适应共轭梯度算法的高分辨率谱估计器

基于AR模型的功率谱估计是现代谱估计应用非常广泛的一种方法。通过对一全极点模型的参数估计来实现功率谱估计。提出了一种采用自适应共轭梯度算法来进行参数估计的方法。由于共轭梯度算法采用迭代运算求解Yule-Walker方程,同现有的谱估计算法相比,大大减小了谱估计算法的计算复杂度;随着自相关矩阵阶数的增大,该方法谱估计精度在小信噪比下提高显著。仿真结果表明,这种方法和基于AR模型的其它谱估计方法在不同信噪比下具有几乎相同的分辨率。因此,该谱估计算法具有重要的实用意义,有助于谱估计算法的实时实现。     

基于像素特征的路面裂缝图像自适应滤噪

分析了破损路面图像的像素点区域特征，针对不同区域提出加权邻域滤波和自适加权中值滤波算法。其权值是通过对图像中区域特征的推理得到的，所以算法中能根据图像的区域特征自适应的进行滤波。试验表明，本算法能够有效滤除噪声，并具有很好的细节保护能力。     

美国黑客麦斯纳偷走"基地"组织域名

麦斯纳的正式身份是一间互联网公司的老板,从“9·11事件”之后,他下定决心要用自己的网络知识来对付恐怖分子。于是,他开始关注“基地”组织的网站,希望从中找到搞破坏的机会……     

一维量子反铁磁链格点自旋对易关系与广义拉氏表示

以晶格自旋体系的Heisenberg模型为依据，计算了大s的极限情况下，一维量子反铁磁链转动生成元l与Neel矢量间的对易关系，求出了以广义坐标和广义动量形式表示的格点自旋间的拉氏函数密度表示。     

多支路型光伏并网逆变器的应用研究

多支路型光伏并网逆变器可对每条支路的光伏阵列单独进行最大功率跟踪,有效解决了支路间功率失配问题,非常适用于城市中与建筑结合的并网光伏发电系统.本文介绍了多支路光伏并网逆变器的基本原理,对最大功率跟踪、反孤岛保护以及并网控制策略等关键技术进行了分析,并探讨了其应用前景.     

DEAE纤维素色谱法对肺源肝素亚组分的分步梯度分离

利用ＤＥＡＥ－纤维素柱层析分步梯度洗脱，将肝素分为活性高低不同的亚组分，即ＨＰ１、ＨＰ２、ＨＰ３，根据三亚组分特点，使肝素能更加对症、更加安全地应用于临床。     

酶与有机溶剂

本文阐述了酶在有机溶剂中存在的两种形式:通过表面活性剂聚集体在有机溶剂中的溶解和直接以固态酶的形式悬浮于有机溶剂中.讨论了反胶团(或w/o微乳浊液)系统在酶促反应、选择性提取蛋白质等领域的应用和固态酶悬浮于有机溶剂中的性质和特点,并展望了这些系统的发展前景.     

强化型硫铁矿自养反硝化工艺深度处理城市二沉尾水研究

为实现硫铁矿自养反硝化工艺快速启动,提高出水稳定性,将以硫铁矿为填料的硫自养反硝化生物滤池反应器(1号反应器)作为对照组,分别构建了以硫铁矿/石灰石和硫铁矿/硫黄为填料的强化型硫铁矿生物滤池反应器(2号、3号反应器)处理城市污水处理厂二沉尾水,从去除效果、出水水质的角度来评价强化工艺的可行性,并通过微生物群落分析来探究强化工艺的强化机理.结果表明：当反应温度为31～33℃,水力停留时间(HRT)为2.2 h时,3个生物滤池反应器总氮(TN)去除率分别为91.3%(1号反应器)、84.5%(2号反应器)、100%(3号反应器),出水TN浓度均小于5 mg/L;总磷(TP)去除率分别为91.4%(1号反应器)、85.0%(2号反应器)和100%(3号反应器),TP去除效果随TN去除效果的提升而提升;出水pH基本均能维持在6.8～7.6,体系内硫酸根生成量较低,维持在4.99～5.91 mg(每mg NO^-₃-N).Thiobacillus作为硫铁矿自养反硝化工艺的核心功能菌属在3号反应器内占据优势地位.以硫铁矿/硫黄为填料的生物滤池反应器不仅可以...     

抗深度取证的多粒度融合图像修复网络

数字图像的真伪判别是图像安全领域中的基础问题,因数字媒体极易被攻击篡改,针对图像的取证技术得到了广泛的研究.另一方面,对图像篡改反取证技术的研究,不仅追求更逼真的图像篡改操作,也从相反的方向促进了取证技术的发展.图像修复作为基础的图像篡改操作,一直是国内外学者的研究热点.针对被修复篡改后的图像会被深度取证网络取证的问题,提出了一种抗深度取证的多粒度融合图像修复(multi-granularity fusion-based image inpainting network resistant to deep forensics,MGFR)网络.MGFR网络包括编解码器、多粒度生成模块以及多粒度注意力模块.首先,输入的破损图像被编码器编码成深度特征,深度特征通过多粒度生成模块生成3个不同粒度中间特征;然后,采用多粒度注意力模块来计算不同粒度中间特征之间的相关性并将其融合;最后,融合特征通过解码器生成输出结果.另外,所提出的MGFR网络被重建损失、模式噪声损失、深度取证损失以及对抗损失联合监督.研究结果显示,所提出的MGFR网络在拥有较好的修复性能的同时能成功规避深度取证网络的取证.     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。