MA(q)-模型参数的极大似然估计

讨论在地震记录反演问题中被广泛采用的MA(q)-模型的参数极大似然估计,并采用最陡下降法来求其近似解.通过模拟试验证实此算法是有效的.     

基于边缘检测和最优参数的全景图像插值复原

全景环形透镜(PAL)组成的观测系统能够同时观测到绕光轴360°的物体,适合于管道等的内窥。但是所形成的环形图像不便于人眼观察和测量,为此需要将环形图像无失真地展开为常规平面像。根据PAL成像的特点,以全景图像的最高分辨率为基准,采用一种基于边缘检测和最优参数的插值方法,对孤立边缘和联通域内的部分采用最优参数的三次卷积插值法,非边缘区域采用双线性插值,结果表明,该方法较好地恢复了图像细节,同时插值处理时间相比三次卷积插值缩短了40%。     

基于SCMA和卷积编码的联合检测译码算法

随着卫星星座及卫星数量的不断增多, 卫星测控中海量用户多址问题亟待解决。稀疏码分多址接入(sparse code multiple access, SCMA)技术能在有限信道资源上承载更多用户, 有望解决大规模卫星的多址测控问题。针对传统的SCMA译码方式——消息传递算法(massage passing algorithm, MPA)译码性能不理想的问题, 提出基于SCMA和卷积编码的联合检测译码(joint detection and decoding, JDD)算法, 进行多轮对数似然信息的更新以及多卫星数据交叉提供概率域的迭代, 以提高系统译码性能。分析和仿真结果表明, 采用基于SCMA和卷积编码的JDD算法可有效提高天基测控系统用户容量, 并保证在算法复杂度适中的情况下有效提高系统误比特性能。     

基于卷积神经网络与注意力机制的SAR图像飞机检测

在合成孔径雷达(synthetic aperture radar, SAR)图像应用领域, 对SAR图像中飞机目标的检测备受关注。针对现有检测算法模型运算复杂度高、检测性能较低的问题, 提出一种基于深度可分离卷积神经网络与注意力机制的SAR图像飞机检测算法。首先使用深度可分离卷积神经网络提取图像特征, 同时在网络中引入逆残差块, 以有效防止通道数压缩引起的特征信息丢失问题; 其次在网络中引入多尺度空洞卷积—空间注意力模块和全局上下文通道注意力模块, 通过重新分配显著区域和各特征图更有代表性的权值, 以更好地捕捉空间有效信息和通道间语义相关性, 提高模型特征表达能力; 最后在SAR飞机数据集(SAR aircraft dataset, SAD)上进行对比实验验证。实验结果表明, 所提算法具有更好的检测效果, 平均准确率达到86.3%, 检测速度达到22.4 fps/s。     

软判决在纠错编码中的应用

纠错编码中解调后对输出信息不判决而直接送给译码器进行译码的方法称为软判决方法,这样得到的信息就是软信息.从信息论的角度分析了软判决和硬判决时的信道容量,通过数学推导得到两种判决方式下信道容量的表达式,简要介绍了卷积码和Turbo码的编译码方法,并将软判决的观点应用于卷积码和Turbo码中.仿真结果表明,在解调器的输出端使用软判决的方法对这两种纠错编码方式来说都可以得到2dB左右的编码增益.     

关于一类解析函数的性质

引入了一个新的解析函数类Bλ(μ,α,A,B),应用微分从属的方法讨论了它的从属关系、包含关系及不等式性质,得到了一些精确的结果,推广了一些已知结果,一些已知的结论是本文的特例.     

基于改进YOLOv4网络的水表读数识别方法

在远程水表读数自动识别系统中,为减少网络模型参数量,改善受雾化、抖动等干扰的水表复杂场景图像读数识别精度及半字识别问题,提出了一种基于改进YOLOv4网络的水表读数识别方法。首先,利用深度可分离卷积与引入压缩与激发(squeeze-and-excitation, SE)注意力机制的MobileNetv2瓶颈结构,分别替代YOLOv4网络原有的标准卷积和主干网络;其次,利用加权平均非极大值抑制算法改进预测输出头,形成了一种网络模型参数量明显降低但检测精度不下降的改进YOLOv4网络,同时有效改善了对水表读数“半字”识别的漏检和错检问题;最后,基于字符边框定位的水表读数提取方法,实现“半字”准确提取问题。实验结果表明,所提方法与多种网络学习方法相比,模型参数量压缩14.4%以上,读数识别的准确率和召回率对普通场景水表图像分别提升了0.04%和0.05%以上,对受雾化、抖动等干扰的复杂场景水表图像分别提升了0.11%和0.37%以上。     

基于双流卷积网络的宫颈细胞细粒度分类

为了实现对宫颈细胞图像相近类别的准确自动分类,提出了一种双流卷积神经网络算法。算法以DenseNet121网络和Xception网络为基础并对其进行改进,以提高算法对宫颈细胞进行细粒度分类的识别准确率。首先,在DenseNet121中引入DropBlock模块进行网络正则化,用于提高模型的泛化能力;其次,在Xception中加入SE(squeeze-and-excitation)模块调整通道权重,以增强网络提取有效特征的能力;最后,将两个网络输出的特征图进行拼接构建双流网络,来获取宫颈细胞更全面的特征信息。实验结果表明,该网络在Herlev数据集以及SIPaKMeD数据集上各性能指标都表现良好,且都达到了99%的准确率,优于改进融合前的网络,提出的算法在宫颈细胞的细粒度分类中具有较高识别率。     

基于全尺度跳跃连接的视网膜血管分割算法

为了解决经典分割算法对于视网膜血管分割精度不够的缺陷,通过将U-net3+(全尺度连接U形网络)应用于视网膜微血管分割,并加以改进来提高分割精度。首先利用U-net3+中的全尺度跳跃连接,提取更多尺度的视网膜微血管特征。针对细小血管难以捕捉的问题,将网络中的普通卷积换成可变卷积,它可以根据血管的形状、大小改变感受野的大小,提高算法的分割准确度。然后使用SFAM模块来优化U-net3+网络中的特征融合部分,保留更多的有用信息。在视网膜图像数据库上测试本文算法,结果表明,分割的平均准确率为97.63%,比传统的U-net网络和U-net3+网络分别提高了2.35%、0.99%。可见,改进算法有效提高了视网膜血管分割精度。     

非线性控制理论及其在电力系统中的应用

本文介绍了在电力系统中应用的三种非线性控制理论,重点总结了作者在“直接反馈线性方法”上的研究成果,指出了相对次数（ｒ）等和小于系统阶数ｎ时的没处理方法,由于电力系统强非线性的特点,广泛使用非线性控制器将是一种趋势,从实用的角度来看,直接反馈线性化方法将更有前景。