利用傅里叶积分性质计算信号频谱函数的补充说明

在介绍连续信号频域分析的傅里叶变换时域积分性质时,虽然有些给出了证明过程,但不够严谨,且直接应用该性质进行求解的范围比较小.通常该性质是与微分性质结合在一起来求解某一信号频谱密度函数的,为避免草率的套用结论而可能引起的计算错误,现利用严格的微积分对这一问题进行了理论补充并加以举例说明,引出了利用傅里叶积分性质求解某一信号频谱密度函数的引申公式,扩展了积分性质的应用范围.     

Hanning低通滤波在PSD法测量直管不直度中的应用

该文介绍了利用ＰＳＤ测量直管不直度的新颖方法,利用频谱分析的方法分别对不直度理论模型和实验数据作了分析,得出了不直度信号具有低频占优的频谱特征的结论,并由此提出了利用Ｈａｎｎｉｎｇ低通数字滤波器除高频噪声,从而解决了直管不直度曲线这种空域信号无法利用电学滤波的困难。     

基于极大独立集的协作竞价频谱分配算法

将认知无线电中的动态频谱分配归结为图论中的着色问题.针对目前基于系统吞吐量的分布式贪婪算法和基于复杂度的分布式随机算法效率不高的问题,提出了一种改进的基于极大独立集(MIS)的协作竞价算法.根据MIS中协作用户出价高于集外认知用户最大效用,可以获得授权用户的效用曲线,从而最大化系统总效用,达到充分利用频谱资源的目的.此外,协作竞价算法还能在一定程度上抑制用户之间的共谋.     

应用多恰可感知失真等级的视频感知编码

为了对视频编码中的视觉感知冗余进行充分挖掘,提升视频的主观质量,根据人眼感知特性对视频内容进行分类,建立了一种更符合人眼感知的多恰可感知失真等级视频感知失真测度模型,并将其应用于高效视频编码(HEVC).通过改善传统编码器的比特分配方式,对帧内编码帧与帧间编码帧分别进行处理,根据重分配的比特更新量化参数(QP),实现了视频感知编码.实验结果显示:与HEVC标准测试模型(HM)中的方法相比,提出的算法能够在近似同等的码率下获得更好的视频主观质量.     

基于VRML的虚拟造型触摸感知效果研究

触摸感知是虚拟现实仿真中最常用也是最重要的智能交互。利用VRMI。中的TouchSensor感知器可以实现虚拟场景中光源的开关、机械的启动与暂停、控制背景和造型颜色的变化等。归纳了TouchSensor感知器实现触摸感知的基本原理、语法结构和事件,并结合实例给出了TouchSensor感知器在虚拟场景中构造可感知造型的应用方法,从而支撑虚拟场景与用户的高效智能交互。     

基于LabVIEW的频谱分析仪的设计

摘 要：基于LabVIEW在测控领域的广泛使用,应用数据采集卡采集模拟信号,设计了一种频谱分析仪。由数据采集卡收集到得现场信号,经过所设计的频谱分析仪对采集到的数字信号进行分析。在频谱分析仪的设计中,实现了一种新的频率细化方法在LabVIEW环境下的实现,比较好的改善了频谱分析的准确度和灵活性。     

基于关联计算的相控阵雷达前视成像技术

基于关联计算成像原理, 提出一种适用于相控阵雷达的前视成像技术, 其随机移相是由配置二维相控阵雷达来实现的.为了模拟经典量子关联成像中的随机涨落光场以实现测量的不相关性, 需要控制二维相控阵辐射出的波前呈现随机幅相波动特性, 再结合压缩感知(compressive sensing, CS)的模型框架与稀疏贝叶斯学习(sparse Bayesian learning, SBL)算法解决关联耦合问题以实现目标场景的方向维和俯仰维超分辨成像。甚至可以在不需要雷达与目标相对运动的情况下, 结合宽带信号体制实现雷达前视超分辨三维成像。仿真实验和实测数据验证了其原理的正确性和算法的有效性。     

基于多智能体强化学习的动态频谱分配方法综述

认知无线电和动态频谱分配技术是解决频谱资源短缺问题的有效手段。随着近年来深度学习和强化学习等机器学习技术迅速发展, 以多智能体强化学习为代表的群体智能技术不断取得突破, 使得分布式智能动态频谱分配成为可能。本文详细梳理了强化学习和多智能体强化学习领域关键研究成果, 以及基于多智能体强化学习的动态频谱分配过程建模方法与算法研究。并将现有算法归结为独立Q-学习、合作Q-学习、联合Q-学习和多智能体行动器-评判器算法4种, 分析了这些方法的优点与不足, 总结并给出了基于多智能体强化学习的动态频谱分配方法的关键问题与解决思路。     

人工智能可以通过操纵波来实现吗?

简述了基于波物理特性人工智能超材料的研究背景,总结了人工智能超材料的核心思想在于“学习感知”,指出了实现人工智能超材料的关键在于如何构建超材料动力学模型,并分析其与人工智能模型的关联.基于波操纵的人工智能超材料将会为突破信息感知与处理的传统技术难题开辟新的思路,具有广阔的应用前景.     

基于E-HRNet的路面破损区域识别方法

针对现有路面破损区域识别方法识别效率低、泛化性能差等问题,提出了一种基于深度高分辨率网络HRNet的路面坑槽和裂缝识别方法 .采用车载单目相机实地采集路面坑槽和裂缝图像,并对图像进行预处理和标注,生成路面破损数据集.在原HRNet基础上,对其网络特征提取层的4个不同分辨率表征分别融合改进的卷积注意力模块,形成E-HRNet网络模型.为了提高EHRNet模型的推理速度,对其各步骤中不同分辨率分支的残差层数进行了优化,并采用联合损失函数对该模型进行监督训练.试验结果表明：E-HRNet网络模型对路面坑槽和裂缝区域分割的平均像素精度和平均交并比分别达到了94.53%和88.31%,与原HRNet网络模型相比,平均像素准确率增加了6.53%,平均交并比提升了5.38%,平均类别准确率提高了1.39%;模型检测帧率提高了30.3%,而模型体积则减少了42.6%,可满足模型轻量化和实时检测的需求;与DDRNet、DeeplabV3+等同类模型相比,E-HRNet网络模型对坑槽和裂缝区域的分割精度更高,有效地避免了漏检、误检以及边界模糊等问题的出现,具有更好的实时性和泛化性.