基于RFID ZigBee技术的井下无线跟踪系统

针对目前我国煤矿生产事故频发,工人生命安全得不到保障的严峻现实,提出了基于射频识别（RFID, Radio Frequency Identification）技术和ZigBee无线通信技术的井下定位系统,结合控制中心数据库,实现了对矿工位置的跟踪和定位,并能够查询人员在过去一段时间内的工作路线,从而加强了对整个煤矿的实时管理;在事故发生后能够在最短时间内实现对被困人员的搜救,大大加强了矿工的安全保障。     

RFID系统阅读器防碰撞技术研究

针对多阅读器情况下,阅读器对阅读器的碰撞和阅读器对标签的碰撞,分别提出了阅读器同步法和设置控制通道的解决方法,能够较好的降低碰撞率,提高阅读器读写速率和阅读器读取的准确率.     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在现代通信对抗中,由于电磁环境特别复杂及信号调制方式的多样性,要知道所发射信号的先验知识几乎不可能,这给通信对抗带来极大的困难.为了解决在复杂多信号情况下的这个难题,提出了一种新的盲识别技术,该技术使用独立分量分析(ICA)算法来盲识别原始信号且对所得的结果进行下一步的分别处理.首先介绍了ICA的基本原理:它使用差分负平均信息量的最大化逼近.基于此,ICA的一个目标函数和一种快速的ICA算法在本文中被提出.在深入分析该快速ICA算法的基础上,将其应用于卫星TT&C信号的盲识别上.仿真结果表明:在没有任何先验知识(例如:载波频率,信号带宽和调制方式)的情况下,原始的信号可以被很好地分离出来.这为下面步骤的信号处理建立了一定的基础,比如信号分析和识别,解调信号及证明其收敛和鲁棒性等.     

小波方法识别框架结构损伤

小波包分析损伤识别方法首先将结构响应信号分解为小波包组分,然后通过各组分小波信号的变化情况识别损伤。通过3层框架结构的数值分析,模拟结构损伤,判断损伤时刻与损伤位置。分析小波组分信号突变情况,可以识别损伤时刻、损伤位置和损伤程度。     

基于粗糙集和灰关联理论多传感器融合的雷达辐射源信号识别研究

粗糙集理论的上下近似集合可以刻画传感器对未知雷达辐射源信号的识别程度。从灰关联理论对传感器测得的原始数据计算出的不肯定度出发,计算每个目标与传感器测得的悲观解和乐观解距离。从而计算出目标与悲观解和乐观解间的灰关联系数矩阵。用假定的折中系数α、β计算出各传感器的侦察权重。再由灰关联系数矩阵和传感器权重得到各雷达辐射源信号的与悲观解和乐观解在传感器Sj识别意义下的灰关联度,最后计算融合判别函数得到融合结果。仿真实验表明,由粗糙集理论和灰关联理论相结合的多传感器数据融合的方法可以有效地应用于雷达辐射源信号识别,特别在是在降低多传感器引起的不确定性取得较好的效果。     

基于路面雷达的路面结构缺陷检测方法

为了提高路面雷达适应实际检测对象的变化能力和路面结构缺陷检测效率,采用Borland C Builder 6．0开发了一个具有路面雷达数据转换和路面结构缺陷识别等功能的软件系统．与原路面雷达配套软件IRIS-L的比对结果证明,所设计的软件系统的数据变换、信号处理与识别的方法是正确的,并较原配套软件增加了路面结构缺陷的识别功能,提高了路面质量检测的准确性和结构缺陷的识别效率．     

卫星测控信号盲识别算法

针对卫星测控通信信息侦察中测控信号识别的问题,提出一种基于小波分析的测控信号副载波识别算法。算法首先基于小波多分辨率分析去噪原理,对混合信号进行去噪处理。然后,采用零点分区法确定副载波个数。最后设计了阈值自适应判别算法来确定各个副载波的频率分界点。仿真结果表明,该测控信号副载波识别算法精度达到95％,抗噪声干扰能力强。     

Logistic人口模型参数伴随同化识别

研究了Logistic人口模型,利用伴随同化方法对该模型的参数进行了识别。基于1790—1950年的美国人口数据进行了数值实验,数值实验结果显示该方法用于Logistic人口模型参数识别可行。     

人文精神在现代图书馆建筑中的体现

现代图书馆建筑在注重现代化设计的同时应把人文思想始终贯穿于建筑当中,使之成为图书馆建筑的灵魂.阐述了图书馆建筑与人文思想的关系,以及如何在图书馆建筑中体现出具有时代特色的人文思想.     

基于盒注意力机制和Transformer的人脸微表情识别方法

微表情是一种细微的能够体现人真实心理活动的面部运动,通常与真实情感直接相关,应用前景广阔。但由于微表情持续时间短暂、表情幅度低和特征难以提取等特点,因此其识别准确率较低。针对该问题,提出了基于盒注意力机制和Transformer的人脸微表情识别模型(vision transformer based on box-attention, ViT-Box)。该模型首先对人脸面部进行特征提取,利用盒注意力机制获得自适应的面部微表情关键区域：左眉眼、右眉眼和嘴巴;然后对非关键区域进行掩码遮盖,避免微表情无关信息干扰;最后基于Vision Transformer网络实现人脸微表情识别。ViT-Box模型在微-宏表情仓库(MMEW)数据集上取得了98.68%的平均准确率,实验结果表明该模型在微表情识别上能够获得优秀的识别效果。同时通过消融实验验证了ViT-Box模型的有效性。