卷积型积分微分方程解的渐近稳定性

研究了一类卷积型积分微分方程，利用李雅普诺夫方法，给出了判定n维系统中卷积型积分微分方程的零解一致渐近稳定性的定理以及其Volterra方程的零解渐近稳定性的定理，推广了已有的结果。     

广义分布空间中卷积算子可解之充要条件

Ｅｈｒｅｎｐｒｅｉｓ及Ｈｏｒｍａｎｄｅｒ在Ｓｃｈｗａｒｔｚ缓增分布空间中讨论了卷积算子的可解。本文充分利用Ｂｅｕｒｌｉｎｇ广义分布空间中的Ｆｏｕｒｉｅｒ－Ｌａｐｌａｃｅ变换的性质，在Ｂｅｕｒｌｉｎｇ广义分布空间中讨论了卷积算子可解的几个等价条件，进而导出了卷积算子可解的充要条件，并推广了Ｈｏｒｍａｎｄｅｒ的某些结果     

基于正弦信号调制的灵巧干扰技术

线性调频雷达在接收信号时采用脉冲压缩处理,使传统的压制式干扰在进入雷达接收机时无法获得脉冲压缩增益,从而造成干扰效果大幅下降。针对这一问题,建立了时域卷积调制的灵巧干扰信号的数学模型,根据这一模型设计了基于非完全正弦函数卷积调制的灵巧干扰信号,来实现对线性调频信号的干扰,对这一干扰信号的干扰效果进行了仿真分析。仿真结果表明:这一干扰信号可以产生假目标群来实现对一定距离单元的遮盖性干扰,并能利用脉冲压缩时旁瓣的非线性叠加覆盖真实目标回波,解决了卷积干扰信号滞后于真实目标回波的缺陷。     

THE TYPE OF A CLASS OF VILENKIN CONVOLUTION OPERATORS

在满足第二个数公理的零紧Ａｂｅｌ群Ｇ的空间Ｌ（Ｇ）中研究了一类Ｖｉｌｅｎｋｉｎ卷积算子的性质．该类算子包括Ｖｉｌｅｎｋｉｎ－Ｆｏｕｒｉｅｒ级数的部份和、Ｆｅｊｅｒ平均等作为特例．文中证明了这类算子是弱（１,１）型和强（ｑ,ｑ）型的,１＜ｑ＜∞．     

基于OpenGL的线积分卷积的实现

基于 OpenGL实现了科学计算可视化中传统的线积分卷积算法,因 OpenGL能达到的数据精度较高,此方法取得了和快速线积分卷积算法相似的效果,在矢量场可视化中仍有重要的实用价值.     

一类恒等逼近

针对文献[1]在R上引进的一类恒等逼近，研究了它在R上对应物的性质，并且对一类重要的特例（本文称为p型恒等逼近）进行了分析．     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。