基于正弦注意力表征网络的环境声音识别

将正弦注意力表征网络引入环境声音识别,首先提取梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为音频识别特征,使用门控循环单元提取MFCC每一帧的特征,根据正弦函数激活每一帧音频得分,并依照每一帧的音频得分为音频重新分配权重,从而将注意力集中在音频重点区域.最后结合全...     

高频同相扰动信号对升沉扑翼水动力性能影响

为探究外界输入正弦扰动信号对升沉扑翼推进性能和尾涡结构的影响,采用数值模拟方法研究了在一个升沉扑翼的基础正弦输入信号中加入高频同相正弦扰动．数值计算结果表明：在大多数情况下,引入扰动增加了轴向推力,尤其是当基频为0.50 Hz时,外加12 Hz扰频促使轴向推力增加至原来的843.5%．计算结果证实：仅在基频较低的情况下,升沉扑翼能拥有良好的推进效率,随着基频或扰频的增大,扑翼推进效率均呈下降趋势．结果表明：当最低基频为0.50 Hz时,随着扰频的增加,尾涡结构在扰频为4 Hz情况下开始由无明显涡脱落模式转换为2S模式;当基频为0.75 Hz时,尾涡结构随着扰频的增加由2P模型转换为2S模式;在1.00,1.25,1.50,1.75Hz基频情况下,尾涡结构随着扰频的增加由2S模式变得杂乱．     

非正弦俯仰运动对扑翼自主推进的影响

采用数值仿真耦合求解流体动力方程与扑翼运动方程,建立扑翼-流体耦合的自主推进计算模型,数值模拟了非正弦俯仰运动下扑翼在前进方向及侧向的自主推进,研究在静水中不同运动波形及俯仰频率对自主推进速度、自主推进效率及流场结构的影响．结果表明：非正弦波形调节参数K和俯仰频率对自主推进前进速度、前进距离影响很大,提高K或频率,可增大平均前进速度、前进距离与侧向位移,并在K=2.5的方波取得平均速度最大值,相较于正弦波运动提高70.3%;自主推进效率及能量利用率随着K的减小不断增大,高频时推进效率高,低频时能量利用率高．     

基于数据列变换的自回归预测方法的改善

证明了利用反双曲正弦函数变换能提高数据列的光滑程度,获得结论:设｛x_(k)｝为递增数据列,x_(1)>0,y(k)=ln(x_(k) (x_(k)~2 1)~(1/2)),则数据列｛y_(k)｝比数据列｛x_(k)｝光滑.给出了改善的自回归预测方法,并且举例加以论证.     

Proteus与PC机虚拟串口通信

本文提出一种模拟单片机串口使用的方法,为教学实验以及实物测试提供了指导和帮助。利用Proteus教学软件将单片机串口与PC机虚拟串口连接起来可以仿真对于单片机串口的各种操作。这既为单片机串口教学开拓了一种新方法,也为单片机串口实际应用提供了支持。     

利用动态变频正弦光栅图样测量CCD的调制传递函数

提出了一种利用动态变频正弦光栅图样测量ＣＣＤ的调制传递函数的方法。与其方法相比,方法具有数据处理简单,靶函数的引入无需借助光学系统的特点,给出了典型的线阵和面阵ＣＣＤ的调制传递函数曲线。     

基于TFD-Hough变换的毫米波导引头微运动参数提取算法

分析了旋转目标的微多普勒特性与微运动参数的关系,指出其微多普勒信号为三参数的正弦调频信号。针对这一信号形式,推导了多分量正弦调频信号的时频分布特性,提出了一种在时频图上检测三参数正弦曲线的Hough变换方法,进而提出了一种基于TFD-Hough(time frequency distribution-Hough)变换的微运动参数提取算法。仿真实验和外场试验数据处理表明了该方法的有效性和鲁棒性。     

蜉蝣算法在供应链库存优化中的应用

针对蜉蝣算法（Mayfly algorithm）全局搜索能力差,搜索精度不高和自适应能力弱等问题,提出一种多策略融合的蜉蝣算法。首先,提出吸引力增强因子,同时引入自适应动态调节的重力系数,来平衡搜索和开发能力。其次,提出中值位置作为群体位置的一部分,加强种群交流,避免陷入到局部最优;最后,引入正弦余弦策略,增强全局搜索能力,提高收敛精度并增强稳定性。8种典型功能函数的仿真结果证明改进后的算法收敛能力提高、收敛精度加强。将改进后的蜉蝣算法应用于工程中,在供应链库存系统中调节PID参数,与其他算法相比,成本下降9.5%,证明该算法在工程上具有适用性。     

空间n边形中的正弦定理

利用向量代数中的一个基本等式进行推证,得出了在空间 ｎ 边形中正弦定理的表现形式。使文［１］,［２］,［３］更加完整     

结合离散正余弦变换的快速梯度矢量流算法

为了提高求解梯度矢量流(GVF)的效率和准确度,在狄利克雷或诺依曼边界条件下提出了非精确拉格朗日离散正弦梯度矢量流(IALM-DST-GVF)和非精确拉格朗日离散余弦梯度矢量流(IALM-DCT-GVF)快速算法.两种算法在非精确增广拉格朗日优化算法基础上,结合了离散正弦和余弦变换.其算法时间复杂度均为O(CNlgN)(其中C为迭代次数,N为图像像素数量).在相同的环境下采用C++语言编码验证,结果表明:提出的算法比当前主流GVF算法效率更高,并且边界上的GVF域比IALM-GVF算法准确.