在电路,信号与系统分析中卷积积分的计算方法种种

卷积积分作为一种数学工具，在信号与系统分析理论中占有重要地位。本文详细介绍了几种在电路，信号与系统分析中常用的计算卷积的方法，并讨论了各种方法的适用范围及优缺点。     

广义分布空间中卷积算子可解之充要条件

Ｅｈｒｅｎｐｒｅｉｓ及Ｈｏｒｍａｎｄｅｒ在Ｓｃｈｗａｒｔｚ缓增分布空间中讨论了卷积算子的可解。本文充分利用Ｂｅｕｒｌｉｎｇ广义分布空间中的Ｆｏｕｒｉｅｒ－Ｌａｐｌａｃｅ变换的性质，在Ｂｅｕｒｌｉｎｇ广义分布空间中讨论了卷积算子可解的几个等价条件，进而导出了卷积算子可解的充要条件，并推广了Ｈｏｒｍａｎｄｅｒ的某些结果     

交织扩展Golay码编译码器实现方案的研究

论述了交织编码的工作原理，给出了一种交织扩展Ｇｏｌａｙ码的改进型软件设计方案，用ＴＭＳ３２０Ｃ２５实现了其编译码器并给出了模拟实验结果。实验结果表明，它能准确地纠正不大于７２比特位的差错；处理１２８×１２８×８比特位的一幅图像数据的运行时间为０．４１２ｓ．     

周期信号的孔径抖动及其去除

孔径抖动是指模数转换器采样周期之间出现的相位抖动 ,是由各时钟周期边沿出现时刻的不确定性导致的。当输入信号频率较高时孔径抖动是模数转换器信噪比下降的一个重要原因。对数据采集系统中的孔径抖动进行了仿真实验 ,介绍了反卷积算法 ,并利用反卷积算法对周期信号的孔径抖动进行了去除。仿真结果表明该方法是有效可行的     

An Improved S-Random Interleaver Design for Turbo Code Based on Chaos Model

A new method to design interleaver based on Henon chaos model is presented. The designed interleaver is with rather random behavior. Experimental results show that the proposed S-henon interleaver make a magnitude of im provement in bit error rate （BER） performance by 0.4 dB compared with the S-random interleaver for AWGN channel respectively. The S-henon interleaver may be adapted to 3G mobile communication systems.     

乳清酸的2.5次微分示波极谱法测定

拟定了乳清酸的2.5次微分示波极谱测定新方法.结果表明在0.8 mol/L HCl介质中,乳清酸产生一灵敏的极谱还原波,峰电位Ep =-0.77 V(vs.SCE);其2.5次微分极谱峰峰电流ep″与乳清酸浓度在4.0×10-8～4.0×10-5 mol/L范围内呈良好线性关系(r=0.999 6,n=9),检测限为1.0×10-8 mol/L;13次平行测量4.0×10-7 mol/L乳清酸的峰电流,所得RSD为1.8%.该方法可直接用于测定牛奶中乳清酸的含量.     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

基于DCPAN的低剂量能谱CT图像去噪方法

能谱式计算机断层扫描(CT)成像技术具备良好的能量分辨率,能够精确地鉴别人体组织成分,从而为后续诊断提供更准确的检测信息．随着辐射剂量的降低,能谱CT图像中噪声水平显著提高,对成像质量产生严重影响,进而降低了组织成分的解析精度．基于卷积神经网络(CNN)的去噪模型虽然可以显著降低图像中的噪声含量,但随着卷积层数的增加,深层神经网络通常会丢失高频信息．为了解决这一问题,并实现在低剂量条件下重建出高质量能谱CT图像,本文提出了一种结合通道注意力机制(CA)和持续自注意力机制(PSA)的密集连接持续注意力网络(DCPAN)．两种注意力机制分别建立特征图像在通道和全局维度的联系以提高网络对图像高频分量的敏感程度,进而抑制高频细节信息的丢失．该模型所采用的密集连接结构通过特征复用的方式可以在前馈传播中保留高频信息,使用复合损失函数来监督网络的训练可以使该模型对边缘特征和组织细节信息更加敏感．实验结果表明,经该模型处理的腹部切片CT图像峰值信噪比、结构相似性指数和特征相似性指数分别达到了38.25 dB、0.993 7和0.973 2以上．相比于目前先进的CT噪声去除方法,该方法具有更好的噪声抑制...