融合轮廓和区域特征的形状描述子

提出了一种融合轮廓和区域信息的新的形状描述子。首先提取图像的轮廓,并对轮廓进行采样,形成描述形状轮廓的有序点列表。之后对每个采样点分别顺时针和逆时针等距离跟踪获得两个邻点,计算相邻点距离、拱高以及质心距离三个函数的均值、方差和极差。然后获取由拱高和质心距离组成的复函数的傅里叶描述子。组合统计值与傅里叶描述子形成轮廓特征。最后对区域进行采样形成形状矩阵,获得低频傅里叶系数作为区域特征。对MPEG—7标准图形库的检索实验显示,该描述子的检索性能显著优于三角形面积函数、质心距离函数、拱高半径复函数和Hu不变矩等同类描述子。     

重型载货车车外加速噪声源的测试和分析

有效的噪声源识别是降噪工作有效性的根本保证。为了对某重型车车外加速噪声进行控制,首先针对该车车外加速噪声进行了测试。通过对异常噪声的频谱分析,试图找到噪声源,为设计改进提供依据和方向。同时,通过对该重型车整车关键部位的噪声和振动进行测试与分析,发现变速箱左下边大平面处出现跟车外加速噪声测点相同的噪声峰值频率成分,最终确定变速箱为整车车外加速噪声源。通过更换变速箱实现了整车车外加速噪声值达到国标限值以下,验证了该方法的可行性和有效性。     

多载波码分多址的渐进频谱效率

多载波码分多址(MC-CDMA)由于其简单的频域均衡原理在近年来备受关注,但是其频谱效率一直尚未明朗.该文从信息论的角度分析了MC-CDMA在多天线通信系统中的应用,得到了当采用匹配滤波器(MF)检测子和线性最小均方误差(MMSE)检测子的渐进频谱效率的闭式表达,研究了可用于指导系统设计的频谱效率与发送天线数和接收天线数的关系.分析表明,MF检测子的峰值频谱效率与发送天线数无关,随接收天线数的增加而增大.线性MMSE检测子的峰值频谱效率与发送天线数有关,随发送天线数的增加而减小,随接收天线数的增加而增大.     

基于多智能体强化学习的动态频谱分配方法综述

认知无线电和动态频谱分配技术是解决频谱资源短缺问题的有效手段。随着近年来深度学习和强化学习等机器学习技术迅速发展, 以多智能体强化学习为代表的群体智能技术不断取得突破, 使得分布式智能动态频谱分配成为可能。本文详细梳理了强化学习和多智能体强化学习领域关键研究成果, 以及基于多智能体强化学习的动态频谱分配过程建模方法与算法研究。并将现有算法归结为独立Q-学习、合作Q-学习、联合Q-学习和多智能体行动器-评判器算法4种, 分析了这些方法的优点与不足, 总结并给出了基于多智能体强化学习的动态频谱分配方法的关键问题与解决思路。     

猫眼与人眼有哪些不同?

人们之所以对猫咪充满神秘感,源于它的眼睛。猫的那双可以媲美宝石的碧眼、可以随着日夜而改变形状的瞳孔,还有能在幽暗中闪闪发亮的眸子,常常令人浮想连翩,许多人甚至认为猫在漆黑环境中也能看到东西。     

酸化条件下尾矿砂颗粒形貌变化特性及机理研究

尾矿砂是矿石在经过机械破碎和分选后形成的产物,颗粒整体具有扁平度较高、圆度低以及形状极不规则等特点。尾矿砂在酸化后表面原有几何形状会遭到破坏,进而改变了颗粒与颗粒之间的接触、咬合方式等,从而影响土体的内摩擦角与抗剪强度等物理力学性质。为了揭示尾矿酸化对尾矿砂颗粒形状的影响,对尾矿砂进行化学浸泡实验,通过控制过氧化氢溶液的用量,模拟不同堆积时期尾矿砂的酸化效果。利用ImageJ图形软件对不同程度酸化的尾矿砂颗粒进行黑白二值化处理,获取颗粒形状轮廓边界,并从三个层面计算尾矿砂颗粒的形状参数值。研究结果表明,随着酸化程度的加深,尾矿砂的扁平度统计平均值从1.457降至1.332;尾矿砂的圆度统计平均值整体略有增加;而尾矿砂的形状系数统计平均值则从0.843增加至0.876。此外,采用分形理论讨论了酸化对尾矿砂颗粒形状轮廓的影响,结果表明,随着酸化程度的加深尾矿砂颗粒形状逐渐规则化。     

麻江型铜鼓调音初探

以古代北流型和灵山型铜鼓的调音技术为基础,圆板的振动公式为指导,利用现代工具对新铸造的麻江型铜鼓进行调音和音频分析,初步说明铜鼓与中原的编钟相似,也是可以进行调音的.     

基于PC机软、硬件扩展的数字频谱分析仪

作者所研制的数字频谱分析仪是新的一代个人仪器,它采用基2时间抽取的快速傅里叶变换(FFT)算法来获取信号的频谱,实现了信号的非实时频谱分析。另外,它还可显示信号的时间波形,可作为数字存贮示波器使用。文中给出了 FFT 信号流程图、硬件电路框图、程序流程图和试验结果。     

薄层反射频谱随入射角的变化

本文计算了薄层模型上不同入射角对应的反射频谱。本文比较了不同速度比,不同泊松比和不同厚度薄层的频谱响应之后,指出频域具有类似时域的AVO特性,而差异调谐是薄层反射频谱随入射角变化的重要因素,提出用频谱极值和极值频率作为分析频谱随入射角变化的特征参量。     

Gamma部件参数λ和k的Bayes估计

讨论部件寿命服从Gamma分布,并在形状参数k和尺度参数λ都未知的情况下,分别给出参数k和λ在平方损失函数下的Bayes估计.得到参数k的先验分布为离散分布,λ的先验分布分别为指数Beta和Gamma分布下的Bayes估计公式.