基于时延嵌入式隐马尔科夫模型的癫痫脑电分类算法

癫痫脑电的分类识别能够为癫痫的预警和病程的发展监测提供强有力的技术支持。传统的癫痫脑电分类识别方法需要从较长的时间序列中提取特征,难以刻画大脑的瞬态变化,检测低效且耗时,降低了癫痫预警的有效性。针对上述问题,提出一种基于隐马尔科夫模型的癫痫脑电分类算法。该方法通过时延嵌入式隐马尔科夫模型(time-delay embedded hidden Markov model,TDE-HMM)对脑电进行状态估计,并提取状态序列中的状态切换特征,通过多层感知机(multiple layer perceptron,MLP)实现对不同癫痫发作阶段脑电的有效辨识。实验结果表明,相较于小波变换、微分熵等传统特征,所提方法准确率高,能够有效刻画癫痫不同阶段的大脑状态变化,为癫痫脑电的分类识别和状态分析提供了新的备选方案。     

PRNet:渐进式消减不确定区域的息肉分割网络

由于息肉图像的自动分割病灶区域大小不一和边界模糊,从而导致分割精度较低.针对这两个问题,本文提出先定位后逐步精细的渐进式消减网络（Progressive Reduction Network,PRNet）.该网络采用Res2Net提取病灶区域特征,利用多尺度跨级融合模块将注意融合机制与跨级特征结合,有效应对病灶区域多尺度问题,提升定位准确度.在自上而下恢复图像分辨率的过程中,引入不确定区域处理模块和多尺度上下文感知模块.前者通过设定递减的阈值逐步挖掘息肉边缘信息,增强边缘细节特征的识别能力;后者则进一步探索病灶区域周围潜在的上下文语义,提升模型的整体表征能力.此外,本算法还设计了一个简单的特征过滤模块,用于筛选编码器特征中的有效信息.在Kvasir-SEG、CVC-Clinic和ETIS数据集上的实验结果表明,所提算法的Dice系数分别达到了92.09%、93.05%和74.19%,优于现有的息肉分割算法,展示出了较好的鲁棒性和泛化性.     

基于Raptor编码的多输入多输出光通信系统设计

为了提高可见光通信(Visible Light Communication, VLC)系统的复用增益,本文提出一种基于多输入多输出(Multiple Input Multiple Output, MIMO)的固定比例像素化VLC系统。系统首先执行空间-角度映射,使数据的传送可在角域中进行;同时利用Raptor编码方法来跟踪由于窗口截断而引起的数据信道特性变化;然后对于使用高速相机捕捉到的一系列时变图像,利用散景效应获得所有链路距离上的固定比例图像。实验利用液晶显示器和高速相机,对所提出的VLC系统进行了验证。与传统的像素化MIMO系统相比,本文所提出的系统在未对准朝向的情境下具有更高的鲁棒性,从而在多路复用场景有着广泛的应用前景。     

潮流能水轮机阵列水动力与布局优化研究进展

概述了潮流能水轮机阵列的水动力特性,总结了不同横向、纵向间距下水轮机尾流变化的一般规律,梳理了水轮机阵列布局的优化方法,从人工传统优化阵列布局与计算机自动优化阵列布局两方面回顾了水轮机阵列单目标优化与多目标优化的研究进展。人工传统布局结构简单且易于操作,有比较强的工程实践性,但物理试验可限制的约束条件有限,难以模拟阵列在真实海况下的发电情况;自动优化布局相比于人工传统布局更具有现实意义,但依然面临经济模块因素缺乏、多目标内容待完善、理论与实践未统一、前期准备时间较长等诸多挑战。     

基于CNN的MIMO-OFDM可见光通信接收机研究

限制可见光通信（VLC）系统传输性能的主要因素是发光二极管（LED）的有限带宽以及它的非线性效应导致的信号失真。多输入多输出（MIMO）-正交频分复用（OFDM）技术虽然可以提升系统容量、频谱效率,但由于OFDM技术较高的峰均功率比(PAPR),使得VLC系统受到更多的非线性损伤。针对以上问题,本文提出一种基于卷积神经网络（CNN）的VLC接收机。该接收机通过对接收端失真信号和发射端原始信号的学习,能够实现MIMO-OFDM可见光系统的信号解调,有效提升系统对非线性失真的抑制能力并具有较低的复杂度。实验结果表明,与最小二乘法（LS）接收机相比,CNN接收机能有效补偿信号受到的线性和非线性失真以及不同用户间的信号串扰,平均误码率（BER）提升超过一个数量级,同时有效克服LED带宽受限问题,比特传输速率提升53%。     

采用通道注意力机制的RIS辅助MIMO级联信道估计

可重构智慧表面（RIS）辅助多天线毫米波无线通信系统的级联信道有直传和反射两条链路,系统维数大且复杂,获取信道状态信息（CSI）困难. 针对RIS辅助下的大规模多输入多输出（MIMO）通信系统应用场景,提出了基于通道注意力机制的SE-ResNetV2网络来获取CSI,在残差网络（ResNet）中引入了通道注意力模块,通过挤压和激励策略来提高噪声特征的捕捉能力. 仿真结果表明,相比于最小二乘（LS）估计算法和常规的注意力机制深度ResNet,所提出的深度学习网络具有更好的去噪效果和估计精度.     

基于深度强化学习分层控制的双足机器人多模式步态系统研究

提出一种基于深度强化学习（DRL）分层控制的双足机器人多模式步态生成系统. 首先采用优势型演员-评论家框架作为高级控制策略,引入近端策略优化（PPO）算法、课程学习（CL）思想对策略进行优化,设计比例-微分（PD）控制器为低级控制器;然后定义机器人观测和动作空间进行策略参数化,并根据对称双足行走步态周期性的特点,设计步态周期奖励函数和步进函数;最后通过生成足迹序列,设计多模式任务场景,并在Mujoco仿真平台下验证方法的可行性. 结果表明,本方法能够有效提高双足机器人在复杂环境下行走的稳定性以及泛化性.     

C/C基体上ZrB2/SiC复合涂层的抗烧蚀性增强方法

研究高压热流场景下,在碳/碳(C/C)基体表面Zr B2/Si C复合涂层的抗烧蚀性增强方法.在等离子体喷涂Zr B2/Si C复合涂层表面,采用CH3Si Cl3–H2–Ar系统,化学气相沉积(CVD)–Si C密封层.对Zr B2/Si C涂层与CVD–Si C密封层的结构演化、烧蚀性能与烧蚀机理进行了研究.结果表明：CVD–Si C密封层增强的Zr B2/Si C复合涂层经过两个600 s循环烧蚀后,仍然具备抗烧蚀性能,表面CVD–Si C由β相向α相转化.CVD–Si C密封层填充了等离子喷涂Zr B2/Si C复合涂层的空隙,限制了氧沿着涂层裂纹和孔洞向C/C基体扩散,进而提高了抗烧蚀性.     

自动驾驶中基于深度学习的3D目标检测方法综述

随着激光雷达传感器和深度学习技术的快速发展,针对自动驾驶3D目标检测算法的研究呈现爆发式增长。为了探究3D目标检测技术的发展和演变,对该领域中基于深度学习的3D检测算法进行了综述。根据车载传感器的不同,将当前基于深度学习的自动驾驶3D目标检测算法分为基于相机RGB图像、基于激光雷达点云、基于RGB图像–激光雷达点云融合的3D目标检测3种类型。在此基础上,分析了各类算法的技术原理及其发展历程,并根据平均检测精度（mAP）指标,对比了它们的性能差异与模型优缺点。最后,总结和展望了当前自动驾驶3D目标检测中仍然面临的技术挑战及未来发展趋势。     

基于流-固-损伤全耦合模型的裂隙型岩溶突涌水数值模拟

岩溶地区隧道建设频遇突涌水灾害,裂隙型突涌水勘察与预测难度极大、致灾风险高。为揭示裂隙型岩溶突涌水机理与明确前兆信息,本文基于“流-固-损伤”耦合模型对裂隙型岩溶突涌水致灾机理与临界条件展开研究。通过公式推演与多场耦合数值分析得到以下结论：(1)建立了完整的“流-固-损伤”耦合裂隙型岩溶突涌水致灾机理数学模型,并论证其可行性与合理性;(2)分析了不同溶腔水压工况下,隧道拱顶围岩位移演化规律。结果表明,裂隙型岩溶突涌水与富水溶腔水压高度相关;(3)分析了临界突水条件下围岩特性,提出了“缓慢增长段-快速增长段-位移失控段”的三阶段裂隙型岩溶突涌水围岩位移演化规律。