融合子区域局部二值模式特征与深层聚合网络的人脸识别

针对深度网络对人脸噪声敏感,且学习过程容易忽视人脸结构信息的问题,提出融合子区域局部二值模式(local binary pattern,LBP)特征和深层聚合网络的人脸识别算法。将人脸图像划分为不同子区域,并采用局部二值模式对人脸进行预处理,获取子区域人脸的LBP特征。不同子区域LBP特征输入不同的稀疏自动编码器,实现深层特征提取;然后不同稀疏自动编码器的输出特征通过全连接方式实现特征聚合,获得人脸特征向量用于分类。通过大量实验获取了最优的聚合网络模型架构和网络参数取值,改善了人脸识别效果。     

基于稀疏特性的欠定盲信号分离算法

在源信号在非充分稀疏条件下,提出了一种改进的两步法欠定盲源分离算法.与现有的大多数稀疏分量分析算法法都是假设源信号是充分稀疏不同,该算法放宽了源信号的稀疏性.与此同时,该算法能够估计出聚类空间的个数,能够克服源信号个数未知的情况.模糊划分矩阵的应用更加有利于源信号的分离.仿真结果表明了该算法的有效性.     

基于多径时延跟踪的MIMO-OFDM系统信道估计

针对MIMO-OFDM系统,提出了一种低复杂度的基于多径时延跟踪的信道估计算法,并分析了信道估计的均方误差和计算复杂度.分析和仿真结果表明,这种算法通过对多径的跟踪降低了需要估计参数的维数,从而提高了信道估计的性能,并且降低了运算复杂度.     

阵列声强器及其应用

声矢量传感器能够同时拾取空间同一点的声压振速信息,可以进行声场声强测量.据此提出了阵列声强器的概念.即当声矢量传感器成阵时,在波束域进行声强处理,以获得目标的方位信息.当空间高度欠采样时,声矢量传感器阵将产生栅瓣模糊,利用阵列声强器获得的方位信息可以抑制稀疏阵的栅瓣模糊,使得声矢量传感器阵在不增加阵元个数的前提下增大了阵列孔径,从而提高了方位分辨力.对阵列声强器去模糊性能进行了理论分析,仿真结果表明了所提算法的有效性.     

基于脉冲交错的ISAR成像雷达资源自适应调度算法

针对多功能相控阵雷达成像任务的调度问题,提出了一种基于脉冲交错的成像雷达资源调度算法。该方法首先根据目标特征认知结果计算稀疏孔径ISAR成像所需的雷达资源,在此基础上,建立合理的脉冲交错驻留的资源调度模型,在时间与能量资源双重约束下对雷达资源进行合理分配,优化脉冲交错实现方法,并提出了平均交错度(AID)作为衡量雷达成像任务资源调度的性能指标,最后采用基于压缩感知的稀疏孔径ISAR成像方法对不同目标分别成像,在满足目标期望成像分辨率的前提下,显著提高雷达资源利用率。仿真实验验证了该算法的可行性。     

多任务学习的稀布线阵方向图综合

提出一种基于多任务学习的线阵阵元位置与激励的联合稀疏优化方法。该方法可以在先验知识不足的情况下,从目标方向图中获得更多的特征信息,并将阵列天线稀疏优化问题转换成为稀疏矩阵的线性回归问题。通过稀疏向量支撑区的识别,将欠定的导向矢量矩阵方程转换为超定的特征矩阵方程的求解,在实现阵列方向图逼近的前提下,对阵元的激励与位置进行联合稀疏优化。仿真结果证明,该方法在优化阵元激励和位置的同时,实现了对天线阵列功能方向图波束的有效赋形。     

基于小样本数据统计的双阶段舌位建模研究

舌头是人类重要的发音器官,对发音时其形状的降维分析能有效协助语言学家分析人类的发音模式。主成分分析(Principal Component Analysis, PCA)是目前最常用的舌位轮廓降维分析方法。近年来,基于深度学习的自动编码器在降维方面被证明优于PCA。然而,舌头隐藏于口腔内部,难以获得大量的相关数据,这使得传统自动编码器无法直接用于舌位轮廓建模研究。为此,本文提出一种面向小样本舌位运动轮廓数据的双阶段自动编码器降维方法。首先该方法采用主动形状模型(Active Shape Model, ASM)产生大量舌头轮廓生理变形数据,并构建通用轮廓重建模型;接着,在第一阶段模型上添加降维层,用于对舌位轮廓数据进行压缩和分析。实验选取了从人类发音X光片中获得的240个元音舌形数据,并将该方法与传统PCA方法进行比较。结果表明,所提出方法获得的元音舌位图谱在二维平面上相对于传统PCA方法,区分度更好,具有更好的舌形降维和重建能力。     

基于Farrow结构的宽带同时多波束形成方法

提出基于Farrow结构的宽带同时多波束算法。在不更新固定加权端权值的情况下,仅在波束指向控制端进行多组加权,便在通带内实现了同时多波束。所提算法在满足恒定束宽的同时,降低了波束旁瓣。考虑到Farrow阵列结构存在抽头数过多、实现难度大的问题,引入了抽头稀疏优化设计思想,经过稀疏优化之后,Farrow结构的有效阶数减小,降低了工程实现的复杂度。仿真结果验证了所提方法的有效性。     

基于深度自编码器的电力能耗异常检测方法

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明：所提方法能够对电力能耗数据进行异常点检测,检测效果良好。     

基于过程神经网络的稀疏数据过程建模方法

针对一类因检测困难而导致检测数据稀少的连续工业过程,提出了基于离散Walsh变换的过程神经网络建模方法.在对稀疏样本数据进行预处理的基础上,采用递推式非邻均值生成法对样本数据进行扩充,以此建立可产生任意密集预测数据的过程神经网络模型,并采用在线滚动学习的方法进一步提高所建立的预测模型的精度.以味精发酵过程菌体浓度预测为例,验证了所建立的过程神经元网络预测模型可以得到非常高的预测精度.