一类特殊的离散Walsh-Haar变换的快速算法

利用Walsh-Haar矩阵HKRm＋1,的递归性以及Walsh序的离散Walsh变换的快速算法,提出了一类特殊的Walsh序的离散Walsh-Haar变换的快速算法．该变换的特殊性在于Walsh-Haar函数系与Haar函数系一样,其演化生成时的伸缩比均为R=2．采用对输入数据奇偶二分及对变换结果数据对半二分,如此对一个KR^m＋1点的数据经过m＋1步加上logK步二分以及若干次调序后,便得到变换结果．本设计方法可用于研究其他序的伸缩比为2的离散Walsh-Haar变换的快速算法．     

缺口物理短裂纹上下界的确定方法

根据缺口根部疲劳非扩展裂纹的性质及缺口根部应力应变场的特性，提出确定缺口物理短裂纹区间的方法，并解释其物理意义。最后用缺口短裂纹扩展的实验数据加以对照，验证其合理性。     

基于CGRU多输入特征的地空通话自动切分

自动语音切分是语音识别、声纹识别、语音降噪等语音应用中非常重要的预处理环节,切分算法的优劣直接影响了系统输出结果的精度.在空管地空通话中,传输信道噪声、天气因素以及说话人工作状态均会对语音信号产生影响,进而在一定程度上影响语音切分性能.在分析空管地空通话语音特性基础上,提出了一种基于CGRU网络多输入特征的自动语音切分方法.该方法结合地空通话的特点,采用深度学习的方法进一步提取语音信号的时域和频域非线性特征,将语音信号帧分类为语音帧、结束帧以及其他帧三类.实验对比了多种语音特征作为输入对切分效果的影响,同时验证了GMM、CNN、CLDNN、CGRU等切分算法在真实地空通话测试集上的表现,并提出了一种简单预测结果平滑算法.实验结果表明,文中提出的自动切分方法在地空通话中具有明显优势,分类模型的AUC值达到了0.98.     

基于Bert和卷积神经网络的人物关系抽取研究

通过构造人物关系数据集,将人物关系定义为14类,提出了基于Bert-BiGRU-CNN的人物关系抽取网络模型.该模型首先通过Bert预训练模型获取上下文语义信息的词向量,利用双向门限循环单元网络(BiGRU)进一步获取相关的文本特征,然后加入卷积神经网络(CNN)获取局部文本特征,最后通过全连接层加Softmax分类器...     

Mercer核的等价定义的证明的验证

支持向量机是一类新型机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点[1]。而Mercer核是支持向量机的重要内容,本文通过Delta函数对Mercer核的等价定义的证明进行了验证。     

累量域高分辨率二维波达方向估计算法

提出一种利用虚拟双线性平行阵进行累量域高分辩率二维波达方向估计的新算法。该算法将累量用于协方差的计算,构造了一个虚拟ＤＯＡ矩阵,并基于此矩阵进行波达方向估计。理论分析表明,对虚拟ＤＯＡ矩阵特征值分解,就可以得到源信号的二维ＤＯＡ估计。同时由于累量对高斯噪声的自然盲性,因而算法具有稳健性。该算法的另一特点是可以提供虚拟扩展孔径,提高了孔径的利用率。     

二个矩阵不等式的推广及应用

对文[1]、[2]中的两个不等式进行了推广,我们得到了以下结果,当Ai,Bi为n阶正定实对称矩阵λi＞0,r≥n时得到了以下两个不等式:1.(m∑i=1λi)r-n/r|m∑i=1λiAi|1/r≥m∑i=1λi|Ai|1/r,2.2r-n/r(m∑i=1|Ai Bi|p/r)1/p≥(m∑i=1|Ai|p/r)1/p (m∑i=1|Bi|p/r)1/p,这里0＜P＜1,并应用新的成果重新证明了古典的Holder与Minkowski等不等式.     

干扰解耦降维观测器设计的新方法

针对系统状态易受外界干扰的情况,设计一种干扰解耦降维观测器。在设计上为了切合实际,考虑测量机构中含有未知输入的情况,提出在不丢失任何信息的情况下将测量机构中的未知输入通过一个简单的代数变换消除,对测量机构中不合有未知输入的观测器进行了降维设计。给出观测器存在的充分必要条件。观测器的存在条件仅依赖于自身,这种设计比较合理。这种观测器由于才用了降维设计所以结构简单、直接、便于应用。仿真试验表明了所提方法的有效性。     

矩阵乘积的特征值的两个不等式及其应用

<正> 最近[1]证明了,当A、B同为实对称矩阵时,有t_r[(AB)~2~m(AB)~τ~(2m)]≤t_r[(AB)(AB)~T]~(2m)≡t_r(A~2B~2)~2~m (1)这里m为任意自然数(见[1]的定理3的b)[1]依(1)提出一个猜想:     

一个求解P（K）—矩阵线性互补问题的宽邻域路径跟踪算法

基于预校正方法,对Ｐ（Ｋ）－矩阵线性互补问题给出了一个失代复杂性Ｏ（ｋ＋１）ｎ＾２／３Ｌ）的宽邻域路径跟踪算法,算法改进了Ｚｈａｎｇ等的可行宽域路径跟踪算法的迭代复杂性;比迭代复杂性为Ｏ（ｋ＋１）√ｎＬ的小邻域路径跟踪算法为好。