基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

超启发式DE算法求解零等待发酵工艺调度

为解决具备间歇过程特点的零等待发酵工艺调度过程中易变质的难点,提出了一种超启发式差分算法,并将最小化最大完工时间设置为优化目标。此算法分为2层,高层为改进的自适应差分进化算法,来对低层的启发式操作进行选择排序。而低层组合排序成了新的算法对问题域进行操作,加入模拟退火算法避免陷入局部最优。所提出的方法具有学习的机制,对不同问题具有较强的泛化能力。通过测试算例和实际生产进行算法的比较和求解验证了此算法的有效性,结果表明所提出的算法比传统的启发式算法性能更优。     

灰色马尔科夫链在连续刚构桥梁施工线形控制中的应用

介绍利用灰色马尔科夫链对连续刚构桥梁分段悬臂施工时进行线形控制的基本原理,经过工程实例的应用表明,灰色马尔科夫链能较好地应用于连续刚构桥梁悬臂施工的线形控制,该方法能充分利用桥梁施工过程中各段的历史数据给予的信息,对随机波动性较大的数据也能进行较高精度的预测,具有较高工程实用价值.     

多元零次有理插值的存在条件及算法

用构造性代数几何工具, 研究由 R^d中一组给定节点的信息构造节点子集上的多元零次有理插值函数, 给出了插值函数的存在条件及相应算法.     

非线性离散广义系统的H∞控制

针对非线性离散广义系统研究了状态反馈H∞控制器的设计问题,利用广义Lyapunov函数和线性矩阵不等式(LMI),首先对系统的零解渐近稳定问题进行了研究,并在此基础上给出了系统的零解渐近稳定且具有H∞范数约束的充分条件,之后设计了状态反馈H∞控制器,使闭环系统具有同样的性能,最后给出了数值算例说明本文结论的有效性和可行性.     

一类特殊的有限p-群

探讨了一类特殊的有限p -群,即对任意x,y∈G,如果[x,y]≠1,那么《x,y》(△)-G.主要证明了:如果满足这样条件的有限p -群G＝《x1,x2,…,xn》,其中对任意x∈G,《x》G是交换群或者内交换群.     

基于RAU-net的视网膜OCT图像快速自动分层研究

利用计算机图像处理技术自动分割视网膜图像,获得各层的厚度,可对多种视网膜疾病进行直观评估.为了快速准确地对OCT视网膜图像进行自动分层,提出一种结合RAU-net和图像搜索的视网膜图像自动分层方法.该方法在U-net的基础上加入了残差块结构和注意力门结构,残差块结构在构建更深的网络、获取高级特征的同时,有效避免了梯度消...     

半直线上独立随机环境中可逗留的随机游动的常返性

文章主要讨论半直线上独立随机环境中可逗留的随机游动的常返性与非常返性,进一步研究了常返性中的正常返和零常返准则,并推广了文献[4,6]中的有关结果。     

基于ROAMP-Net的大规模MIMO系统智能信号检测方法

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统存在的信号检测计算复杂度高、检测精度不足等问题,参考OAMP-Net算法思想,引入残差结构,提出了一种新的智能信号检测网络模型ROAMP-Net。将正交近似消息传递(orthogonal approximate message passing,OAMP)估算信号的迭代过程展开为深度学习网络,同时引入残差结构,分别对各网络层的线性和非线性估计值进行逐层修正,有效防止估计误差的前向传播和过程积累,避免网络模型随着网络层数增加而发生性能退化,从而提高最终信号检测的准确度。针对不同调制方式和不同天线阵列的系列仿真实验结果表明,不同调制方式和天线阵列下ROAMP-Net在检测准确度上均有不错的性能表现。