基于时空建模的动态图卷积神经网络

为了使图表示学习得到的嵌入向量对节点和边不断变化的动态图具有很好的信息表征能力,提出一种动态图卷积神经网络模型(DyGCN),将动态图上的表示学习建模为时间和空间信息的聚合.该模型将从图卷积神经网络(GCN)的空间卷积提取图上的结构信息与从时间卷积神经网络(TCN)的因果卷积提取时序上的历史信息相结合,同时在空间卷积层...     

基于CNN的水表故障检测算法研究

合格水表运行一段时间后可能出现硬件故障,造成水费计量异常。为避免此问题,传统上采用机器学习方法（例如支持向量机）分析水表日常读数以判断水表是否出现故障,但该方法常因人工选择特征不当而导致检测性能不能满足实用要求。为解决该问题,本文利用卷积神经网络（CNN）卓越的特征提取能力,根据水表日常读数自动提取水表故障特征,在此基础上提出一种基于CNN的水表故障检测方法,并通过大量实验对检测模型进行了参数优化。对比实验结果表明,本文所提方法相比于支持向量机和集成学习方法,具备更高的检测性能,且检测精度满足实用需求。     

保细节自适应超分辨率融合算法

超分辨率融合是把配准好的低分辨率图像信息进行综合,形成高分辨率栅格上的均匀采样．为了改善图像超分辨率融合效果,对鲁棒超分辨率融合算法进行改进分析图像局部模式,给出角点和连接点的识别方法,进而设计了保细节自适应适用度函数,提出了保细节自适应超分辨率融合算法实验结果表明,算法不仅对配准误差具有鲁棒性,而且能很好地保存图像的边缘和细节特征,提高了融合图像的质量．     

组Turbo码在802.16a多载波OFDM系统中的应用

以分组码为子码构成的分组Turbo码(BTC),相比传统卷积Turbo码具有收敛速度快等优点。研究了分组Turbo码的译码算法及其简化修正算法,并对它们在802.16a多载波OFDM系统中做了性能仿真和分析。验证了分组Turbo码可以在较少的迭代次数达到较好的性能,简化修正算法可以大大降低算法复杂度,且性能损失不大。     

二维随机变量和、积、商公式的推广

主要研究X与Y独立时a X+b Y+c(ab≠0)、a XY+c(a≠0)、aX/Y+c(a≠0)、aX+b/cY+d+e(ac≠0)、k(X+a)(Y+b)+c(k≠0)的密度函数公式,并给出比较简单的证明,最后通过例题验证公式的有效性.     

基于全卷积神经网络迁移学习的乳腺肿块图像分割

针对乳腺X线摄片中肿块通常会被周围致密组织所掩盖,对比度低,且其形状不规则,肿块图像分割困难的问题,设计了一种基于全卷积神经网络迁移学习的乳腺肿块图像分割方法.该方法首先对乳腺肿块图像进行数据增强,然后利用迁移学习,对设计的全卷积神经网络模型载入参数并训练分割模型,最后在训练好的模型上对待分割图像进行处理.分割结果采用区域面积重叠率、Dice相似系数、Hausdorff距离等指标进行评价分析,在公开数据集的483幅图像上的实验结果表明:提出的方法的分割效果明显优于传统分割算法.     

基于优化得分函数差分的频域盲解卷积算法

基于完全互信息梯度表达式及得分函数差分的性质,提出一种在线频域盲解卷积块算法.本算法依赖于系统输出分布的优化多元得分函数,对源信号分布类型不作要求,为了避免幅值不确定引起算法收敛到平凡解,在算法的相对梯度中加入了单位方差约束;利用得分函数差分的性质,去除期望为零的矩阵元素,以保证相对梯度的正确方向.通过仿真比较,说明了该算法收敛速度快、分离效果较好且较稳定.在对观测信号进行预处理后该算法可用于语音源信号的盲解卷积.     

基于改进残差网络的铁路隧道裂缝检测算法研究

针对铁路隧道复杂背景下细小裂缝存在图像特征难以提取的技术问题,提出一种基于改进残差网络(Residual Network,ResNet)的铁路隧道裂缝检测算法.该算法采用ResNet对裂缝进行检测,并在此基础上对网络进行了改进:首先将具有不同扩张率的空洞卷积块与传统的卷积块组合形成金字塔空洞卷积模块;其次将该模块放在R...     

冲激信号在信号分析中的应用

冲激信号是常用信号中一种非常重要的信号,主要分析了它在信号卷积运算、信号傅里叶变换和连续信号抽样中的应用．     

基于注意力机制的PointPillars+三维目标检测

针对自动驾驶场景下的周边车辆及行人等目标的识别和定位问题,提出了一种基于注意力机制的PointPillars+三维目标检测算法.算法将完整空间按等尺寸柱均匀划分,从所有柱中提取内部点云的特征进而生成伪图;引入2种注意力机制,实现对伪图中特征信息的放大和抑制;使用卷积神经网络对注意力模块输出结果进一步处理,并使用SSD(single shot multibox detector)算法进行三维目标检测.结果表明:基于并行注意力机制的PointPillars+检测算法取得了良好的检测效果,相对于PointPillars算法,鸟瞰图下,平均均值精度(mAP)的中等难度均值(mAP_m)从66.19增加到69.95,汽车的mAP从86.10增加到87.73;三维模式下,mAP_m从59.20增加到62.55,汽车的mAP从74.99增加到76.25.