一种基于段的基音检测算法

作为语音信号处理领域一项基本、关键的技术,基音检测在语音信号处理中扮演着重要的角色,一直是语音信号处理的一个研究热点.首先对传统的基于短时自相关函数法的基音检测进行了研究;在此基础上提出了一种能同时检测一段语音信号基音周期的方法,有效地克服了传统基音检测算法只能检测一帧语音信号基音的缺点.进行了实验仿真,结果表明通过去野点,中值平滑等后处理的基于段的基音检测算法比传统的基于帧的基音检测算法具有更好的抗噪性.     

旋转信号光电转换串行发送系统的实验研究

通过对旋转风机叶片表面压力信号测量的应用，介绍了风机实验台的信号光电转换系统的结构及原理；通过在动静系统分别加入微处理器，分析并选用了与之相适应的串行发送方式和电路设计；实现了对采样数据的储存和分时发送，并将二次发送校验系统和数据返回式校验系统分别运用到旋转系统中，解决了动静系统的信号可靠传输问题。     

PDC钻头切削表面流场挟沙能力分析

针对PDC石油钻头在使用过程中产生泥包的问题，进行了岩屑的受力情况和起动条件的分析，建立了计算模型，通过计算机数值模拟计算，可以得到井底流场的速度分布规律，为分析PDC钻头的排屑能力以及有效抑制泥包生成提供理论依据。     

《细胞组织学》CAI软件系统设计

对《细胞组织学》ＣＡＩ的系统结构、功能和性能特点进行了介绍。     

一种星图中星的提取方法

在分析星图中的星像和小目标图像中的小目标像的共性的基础上，提出了一种将高通滤波和动态阈值相结合的星图中星的提取方法，来完成星图处理过程中较为耗时的星图提取工作．即滤波后先确定阈值，再通过高通滤波提取图像的候选点，由于虚假目标太多，需要通过动态阈值对候选点进行二次提取．仿真结果表明：这种方法与矢量法相比，当不给星图加背景噪声时，两种方法提取精度相当．一旦给星图加上噪声，矢量法的提取精度迅速下降，提出的方法的提取精度远远高于矢量法，而提取时间却与矢量法相差无几．因此提出的方法表现出较强的抗噪能力。     

基于支持度变换的水平集人脸轮廓提取方法

提出了一种新的人脸轮廓提取方法,该方法将水平集与支持度相结合.首先将人脸图像进行支持度变换得到支持度图像,在此基础上,用支持度图像计算几何活动轮廓模型的边缘指示函数,在演化过程中先选取参数较小的边缘指示函数,使得边缘指示函数对眉毛不敏感,演化曲线过眉毛后选取参数较大的边缘指示函数,使得演化正确收敛于人脸轮廓.实验结果表明该方法的人脸轮廓提取效果较好,收敛速度快.     

基于密度峰值聚类的高斯混合模型核电运行工况划分

核电厂运行数据记录了核电厂的运行状态,对核电数据进行处理分析从而完成准确的工况划分是实现核电厂运行状态监测的重要基础。为提高核电厂的运行工况划分准确性,本文提出了基于密度峰值聚类的高斯混合模型对核电厂的运行工况进行划分。首先,采用PCA（主成分分析）算法进行数据降维,然后利用密度峰值聚类算法中的决策图确定工况个数,最后利用高斯混合模型完成工况划分。基于真实的核电厂运行数据开展工况划分实验。实验结果表明,本文提出的方法能合理有效地划分出核电运行工况,其三类工况的划分准确率分别达到了99.29%、100%、97.57%,且错误率仅为1.25%。     

基于散度的不同焦点图像融合方法

把散度的概念引入到图像分析中,考虑到图像在不同方向上的性质不同,提出了一种基于散度的相关性拉普拉斯变换不同焦点图像融合算法.首先对源图像进行相关性拉普拉斯分解,获得图像的低频和高频分量;然后对低频分量采用平均能量法进行融合,对高频分量利用图像梯度场的散度作为显著性特征进行融合;最后对融合后的图像分量进行拉普拉斯反变换重构出融合图像.实验结果表明该方法的保真度更高,边缘信息保留性能更好.     

基于VAE的核电运行状态监测方法

由于核反应堆发电的特殊性,核电厂对于生产安全的敏感度远胜于普通电厂。作为日常运维的重要环节,核电机组运行状态监测,对于核电厂的安全稳定运行具有重要意义。当前核电机组状态监测主要采用预设固定阈值报警结合人工监盘的方式,这种方式无法发现低于报警阈值的异常状态,同时存在一定程度的漏报风险。核电运行数据作为高维海量时序数据,具有正常样本和异常样本分布不均衡以及数据缺乏标签的问题,这限制了有监督深度学习方法的使用。本文提出了一种基于变分自编码器（Variational Auto-Encoders,VAE）构建的无监督深度学习模型对真实运行数据进行异常检测,通过正常运行数据学习正常模式下数据在隐空间的分布,并基于异常数据无法被良好重构的原理,通过重构误差的大小来判别当前状态是否异常。实验以核电机组化学和容积控制系统（Chemical and Volume Control System,RCV）中的上充泵为例,使用真实运行数据结合插入异常的方式对模型进行了验证,并与经典机器学习方法进行了对比。实验结果表明基于变分自编码器的模型能够有效检测到核电真实数据中的异常数据片段及离群点,检测精确率和召回率均高于90%,检测性能相对孤立森林和支持向量机等经典机器学习算法具有优势,具备一定的实用价值和研究意义。     

基于局部密度聚类的雷达目标散射中心区域分割

散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅SAR图分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,本文提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,首先对雷达图像进行Frost滤波、LSM图像分割和面积滤波的一系列图像预处理获得目标ROI区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对本文方法和传统图像分割算法展开数值实验,实验结果验证了本文方法在雷达目标散射中心区域分割的有效性和优越性。