AC-3编码器中的高效比特分配算法

基于对信噪比偏移量的定量分析,得出待分配比特数与信噪比偏移量之间的理论估算公式,从而能够有效逼近信噪比偏移量的最佳值．在此基础上提出了一种基于一次逼近和收敛控制的高效比特分配算法,分别以迭代次数和剩余比特2个参数来衡量比特分配的效率和精度．实验结果表明,该算法所需的平均搜索次数约为传统算法的71．4％,使得AC-3编码器比特分配的精度和效率均有明显提升．     

非球面光学元件高速加工系统的设计与实现

针对光学非球面元件对微进给机构的高频响应特性的要求,设计了上下位机、多处理器结构的数控系统.系统使用运动控制卡实现伺服电机及直线电机的实时控制.采用多层次、模块化的思想,在Windows 2000平台下开发了高速数控活塞加工机床数控软件系统,很好地满足了非球面车削加工的要求,带有补偿加工功能,通过控制车刀的进給速度较好地保证了加工后的面形精度.同时具有功能强大、界面友好、使用方便和柔性好等特点.     

具有输入量化的信息物理系统的安全控制

针对执行器攻击、量化编码器/解码器参数不匹配和外部干扰的信息物理系统(cyber-physical systems, CPS),设计一种新型的鲁棒自适应控制器确保其安全稳定运行。基于Lyapunov稳定理论推导出使信息物理系统具有鲁棒H2性能的充分条件,控制器的非线性结构包含两部分：一部分为干扰和量化补偿器,用于消除外部干扰和量化误差的影响,另一部分为基于隐蔽式假数据攻击上界信息的攻击补偿器,用于抑制异常检测器检测不到、未触发警报的攻击。最后,仿真算例结果表明控制器能保证闭环系统稳定并且具有较好的系统性能,说明了方法的有效性。     

用FPGA实现RS编码器

介绍了数字系统自上而下的设计思想以及 FPGA和 VHDL的基本特点 ,并根据 RS编码器原理 ,按照自上而下的思想 ,利用 VHDL 在 FPGA芯片上实现了 RS编码器     

一种新的自适应数字混沌编码器

分析了Frey提出的自适应数字混沌编码器的不足,提出一种新的自适应数字混沌编码器,通过动态调整混沌系统的参数,使得数字混沌编码器具有更好的相关特性及更高的复杂度,因而更加适用于保密通信。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

Turbo码编码器的FPGA实现

探讨了卷积Turbo码编码器实现过程中的关键问题,结合第3代移动通信系统中给出的Turbo码分量编码器方案,以Flex10k系列FPGA芯片为硬件平台,使用MaxplusⅡ开发工具,通过VHDL语言编程的方法实现整个卷积Turbo码编码器.仿真结果表明该编码器的正确性和合理性.     

基于记忆增强的对抗自编码器异常检测算法

深度自编码器是异常检测领域中被广泛使用的深度学习模型.记忆增强的自编码器模型(Memory-augmented Autoencoder Model,MemAE)通过记忆增强模块解决传统自编码器泛化能力过强的问题,并取得了良好的效果.针对自编码器对于训练数据的正常模式提取能力有限这个问题,通过融合对抗自编码器(Adver...     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks, CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders, SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明：利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

融合视觉特征和语义关系特征的视觉故事生成方法

现有视觉故事生成方法没有考虑不同图像之间高层视觉特征和语义关系特征的深层关联、忽视对图像序列主题的挖掘。提出一种既考虑了整个图像序列的主题又考虑不同图像之间视觉特征和语义关系特征相关性的融合视觉特征和语义关系特征的视觉故事生成方法。该方法利用自编码器挖掘图像序列的主题特征,通过主题特征总结由图像中实体推理出的语义关系特征,然后利用相互注意力融合高层视觉特征和语义关系特征。实验表明,该方法可以生成更具一致性和表现力的故事,并在机器评价指标上取得了比现有方法更好的结果。