FMT与FBMC/OQAM非正交接入波形共存分析及处理

针对滤波多音调制(filtered multi-tone modulation, FMT)和滤波器组多载波/交错正交幅度调制(filterbank-based multicarrier/offset quadrature amplitude modulation, FBMC/OQAM)波形非正交接入共存问题,提出了应用快速卷积方法进行数值化分析的方案。通过快速卷积方法,在相邻的频段同时产生FMT和FBMC/OQAM信号,以快速傅里叶变换粒度调整保护间隔,得到FMT频谱频点的变化值,构建FBMC/OQAM对FMT系统的干扰矩阵,并提出预编码方案优化滤波器过渡带系数消除干扰。仿真实验表明,快速卷积方法能更精确分析波形之间的干扰,通过所提预编码方案, FMT和FBMC/OQAM信号之间可以高效率共存,波形之间的干扰得到有效抑制,受干扰影响的误码率性能得到有效改善。     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...     

多模态3D CNN脑部胶质瘤分割方法

目的 由于大多数脑部胶质瘤边界有水肿且内部结构复杂,分割胶质瘤及瘤内结构难度较大。提出一种新的基于多模态MRI 3D卷积神经网络(CNN)脑部胶质瘤及瘤内各结构的自动分割算法。 方法 首先,标准化由T1、T1c、T2、FLAIR 4个MRI模态组成的输入图像。其次,构建10个卷积层、2个全连接层的3D CNN。卷积层采用3×3×3 的3D 卷积核;全连接层采用PReLu激励函数,并结合dropout技术防止过拟合。结果 构建的3D CNN分割胶质瘤和瘤内各结构精度高,与专家手动分割的结果接近。结论 实验结果表明,构建的多模态3D CNN能够准确的分割MRI多模态图像脑部胶质瘤及瘤内各结构,具有重要的临床意义。     

结合群组动量特征与卷积神经网络的人群行为分析研究

目的：针对现阶段人群行为分析的特征提取效果不佳,人群行为分析结果达不到视频分析的要求。方法：文中提出一种基于人群群组级别的动量特征,分别表示人群的集体性、稳定性和冲突性,然后将三组人群群组动量特征输入至卷积神经网络进行训练,最后在Violence数据集上进行人群行为分析实验。结果：实验结果表明,本文提出的群组动量特征能够在群组级别表达出人群的基本特性,这些特性在人群行为分析中能够建立可识别较高的特征,在Violence数据集上的测试结果显示,本文提出的群组动量特征能够扩展到独立场景,对于任何场景的人群行为分析都能够获得鲁棒的基础动量特征,而采用卷积神经网络进行的训练和分类,能够提升人群行为分析的精确度。结论：与传统特征及分类方法相比,本文算法在各种不同的独立场景中,将标注结果精度提升了13%左右,在视频场景人群行为分析中具有较强的实践意义。     

基于d级量子系统相互无偏基的量子安全多方求和及其应用

本文提出一种新颖的基于d级量子系统相互无偏基的量子安全多方求和协议.n个秘密持有者通过变换操作将自己的秘密编码在相互无偏基量子态上,以环形模式将其进行传输.安全性分析表明,所提出的协议能抵抗外在攻击和参与者攻击.本文协议适用于d级量子系统,采用整数加整数技术计算模d和,相比于采用比特加比特计算的量子安全求和协议,会具有更高的计算效率;相比于求和模较小的量子安全求和协议,会具有更广泛的应用.而且,这个协议能被用于量子多方隐私比较和量子多方匿名投票.     

基于多尺度3D卷积神经网络的行为识别方法

近年来卷积神经网络(convolutional neural network,CNN)在行为识别任务中取得了较大的进展.然而,现有的神经网络方法往往只注重高层语义信息的利用,对浅层特征信息挖掘利用不够.针对这一问题,提出一种基于3D卷积(convolution 3D,C3D)的多尺度3D卷积神经网络的行为识别方法.该方法受到特征金字塔结构的启发,在原C3D的基础上融合C3D的浅层特征信息,实现端到端的行为识别.同时该方法以现有的深度学习理论为基础,利用迁移学习的思想,将C3D和该方法中相同模块部分的参数迁移到本方法中,以降低模型的训练时间.通过在UCF101数据集上进行实验,实验结果表明,提出行为识别方法的分类精度达到84.56％,分类效果优于原C3D分类网络.     

语音识别中的DenseNet模型研究

为了解决语音识别中由网络加深导致的低层特征消失、参数量大及网络训练困难的问题,基于Inception V3网络的非对称卷积思想,提出了一种改进的密集连接卷积神经网络(densely connected convolutional neural networks, DenseNet)模型。根据语音识别的长时相关性,通过密集连接块建立起不同层之间的连接关系,从而保存低层特征、加强特征传播;为了得到尺度更丰富的声学特征,将卷积核的范围进行扩大;利用非对称卷积思想分解卷积核,以减少参数量。实验结果表明,相较经典深度残差卷积神经网络模型和原始DenseNet模型,提出的模型在THCHS30数据集上的语音识别性能更好,在保证识别率的情况下,还减少了网络参数量,提高了模型训练效率。     

基于深度学习的图像全景分割改进算法模型

图像语义分割和实例分割是计算机视觉领域基础挑战性工作,图像全景分割统一解决两者的任务,其核心为图像中每一个像素分配相应的类别标签以及为类别中每一个实例分配ID。经典UPSNet已经取得了较好的全景分割效果,但是使用了一种单向信息流动的特征金字塔网络,将存在实例分支的目标实例定位不够准确的问题,并且语义分支的语义分割能力还需进一步提升。本文通过考虑两个任务的差异性以及共性,重新设计特征金字塔网络结构以提取出更适合全景分割的特征图,从而提高了实例分支的AP评价指标。在语义分支中引入了克罗内克卷积,与可变形卷积进行融合使得特征图的感受野更大并且捕获了局部信息,使语义分支的mIoU评价指标得到了提高。此模型在Cityscapes数据集上进行实验,验证了所设计的每个模块及整个模型的有效性。     

高阶卷积型积分微分方程的重心有理插值配点法

针对高阶卷积型积分微分方程的数值求解问题, 首先利用重心有理插值配点法构造高阶卷积型积分微分方程的离散数值格式, 给出全局收敛性定理; 其次, 通过选取等距节点及相应的配置参数, 利用数值算例验证该方法的有效性.     

A visual awareness pathway in cognitive model ABGP①

The cognitive model ABGP is a special model for agents , which consists of awareness , beliefs, goals and plans .The ABGP agents obtain the knowledge directly from the natural scenes only through some single preestablished rules like most agent architectures .Inspired by the biological vis-ual cortex ( V1 ) and the higher brain areas perceiving the visual feature , deep convolution neural networks ( CNN) are introduced as a visual pathway into ABGP to build a novel visual awareness module .Then a rat-robot maze search simulation platform is constructed to validate that CNN can be used for the awareness module of ABGP .According to the simulation results , the rat-robot imple-mented by the ABGP with the CNN awareness module reaches the excellent performance of recogniz-ing guideposts , which directly enhances the capability of the communication between the agent and the natural scenes and improves the ability to recognize the real world , which successfully demon-strates that an agent can independently plan its path in terms of the natural scenes .