折多山花岗岩的成因及构造环境

每一地质环境都具有特定的岩浆－构造系列，对于花岗岩的类型与构造环境的关系一直是人们研究的热点之一。该文在综合同位素（Ｒｂ－Ｓｒ和Ｕ－Ｐｂ）和地球化学数据基础上，结合微观构造研究方法对康定西部沿鲜水河大型韧性平移剪切带分布的大型折多山花岗岩体的花岗岩类型及其相关的构造环境进行了细致的研究，并讨论了该岩体的侵位机制。研究表明，折多山花岗岩属地壳局部熔融产物，为Ｓ型花岗岩，它的侵位时间距今１２．８±１．４Ｍａ，是鲜水河大型韧性左行平移的同构造产物，并以不连续的方式侵位，南部岩体侵位最早     

谈同步检波

通过对同步检波的分析,论述其原理类型及实现方法,使读者对同步检波有更加清楚的理解和认识.     

Techniques of Image Processing Based on Artificial Neural Networks

This paper presented an online quality inspection system based on artificial neural networks. Chromatism classification and edge detection are two difficult problems in glass steel surface quality inspection. Two artificial neural networks were made and the two problems were solved. The one solved chromatism classification. Hue, saturation and their probability of three colors, whose appearing probabilities were maximum in color histogram, were selected as input parameters, and the number of output node could be adjusted with the change of requirement. The other solved edge detection. In this neutral network, edge detection of gray scale image was able to be tested with trained neural networks for a binary image. It prevent the difficulty that the number of needed training samples was too large if gray scale images were directly regarded as training samples. This system is able to be applied to not only glass steel fault inspection but also other product online quality inspection and classification.     

用串行干扰消除算法提高同频组网信道估计精度

为降低TD-SCDMA系统同频组网时邻区干扰对信道估计精度的影响,提出了一种逐个邻区串行干扰消除的信道估计算法.算法先消除本小区用户的信号,然后依次对每个邻区进行信道估计,重构其中的强干扰用户信号,再逐个从接收训练序列中加以消除,最后用串行消除各个邻区干扰后的接收训练序列对本小区用户进行信道估计.仿真结果表明,采用串行干扰消除的信道估计方法信道估计误差较低,将其用于上行链路的联合检测接收机,解调性能约提升2 dB.因此,所提出的信道估计算法,可有效消除邻区强干扰用户对信道估计精度的影响,从而提高了同频组网时系统的性能.     

基于角点匹配的鲁棒图像镶嵌方法

为了获取场景的宽视场表示,提出了一种鲁棒的图像镶嵌方法.该方法对图像序列中的各个图像进行角点提取,再利用归一化相关方法进行角点的初始匹配.由于初始匹配中包含有大量的出格点,直接采用最小二乘法得不到正确的图像平面间的变换模型参数,为此,采用了鲁棒随机采样算法来估计图像平面间的变换模型参数.该算法能够有效地剔除初始匹配中的出格点,获得精确的匹配点子集.然后利用这些精确匹配的点集来计算变换模型参数,从而实现了图像的正确镶嵌.整个过程无需人工干预,均由计算机自动完成.对真实图像的试验结果表明了该方法的有效性.     

基于Haralick离散正交多项式曲面拟合的弱小多目标检测方法

提出一种红外弱小多目标图像检测方法,图像先经过中值滤波、高提升滤波增强处理,再用基于Haralick离散正交多项式曲面拟合图像,拟合曲面的极大值点即目标点,可以利用导出的二阶方向导数算子与图像进行卷积得到。对天空、地面背景下低信噪比的红外弱小多目标图像能够有效地分割,增强处理能够有效地抑制噪声干扰。描述了对图像的处理过程,并分析了分割结果。实验表明该算法在执行效率和检测概率上能够取得满意的结果。     

一种自适应谐波叠加的复调音乐主旋律提取新方法

随着音乐数量的迅速增加,对音乐进行数字化的处理已经成为必然趋势.主旋律反映了音乐的主要思想,提取主旋律在制作计算机音乐,检索分类,哼唱识别等领域具有广泛的应用价值.本文提出一种自适应谐波叠加的复调音乐主旋律提取算法.首先,通过声源分离预处理,通过判别基频最小稳定方差改变压缩因子,自适应叠加谐波构建显著函数;然后,对显著函数构建的基频片断采用随机森林模型进行人声检测,组合所有人声帧的最大显著度频率得到音乐的主旋律序列.实验表明,在MIR-1K数据集上得到的结果在高信噪比情况下有显著提升.     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。