脉冲核磁共振实验自由衰减信号分析

学生学习脉冲核磁共振实验时对自由衰减信号的形成较难理解,本文从布洛赫方程出发详细地分析分析了自由衰减信号的产生,加深学生对磁共振技术的理解。     

基于高性能DSP的（3，2，2）卷积编解码应用研究

本文在CCS环境下编写（3,2,2）卷积编解码代码,以TMS320VC5510DSP为硬件仿真平台,对（3,2,2）卷积编解码进行了半实物仿真。仿真结果表明,（3,2,2）卷积编解码译码正确可行,能有效解码数据。     

基于局部卷积网络的地基云图修复

为修复全天空成像仪拍摄的地基云图中的大面积遮挡区域,提出了一种基于局部卷积神经网络的地基云图修复方法。通过在传统卷积神经网络的基础上增加网络结果整体跨层传输结构,连接对需修复图像的编码和解码两部分,实现了以含遮挡图像的输入到修复完图像的输出全过程。采用美国国家新能源实验室网上公开数据,从定性和定量的角度分析不同天气情况下所提出修复方法的性能,实验结果表明,基于局部卷积网络的地基云图修复方法可以较为真实地还原天空情况,取得优于现有方法的修复效果,为光伏电站输出功率预测提供了重要的数据。     

基于时空卷积网络的体育训练运动检测模型

针对体育训练视频中动作具有低类间变异性的问题,提出了一种新的双流三维时空卷积神经网络(T3DCNN).首先,以乒乓球训练为具体研究用例,构建了包含21个动作类别的训练运动视频数据集(记为PPTVD).然后,提出了T3DCNN模型,该模型的输入为RGB图像序列及其计算的光流,包含了双流时空卷积层.最后,通过实验评估验证提出的模型的有效性.结果显示,T3DCNN达到了90%的准确度,远超过了基线模型.     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

基于卷积神经网络的复杂网络加密流量识别

通信中的流量识别工作将直接影响网络管理整体效率。针对复杂网络中的加密流量识别问题,结合网络流量与文本结构相似性,提出一种基于卷积神经网络的优化识别模型。综合考虑数据包的多样性,对原始网络数据进行预处理,以保证算法输入数据结构的一致性。同时,算法增加卷积操作,以提高模型特征提取效率。仿真结果表明,提出的卷积神经网络模型在复杂网络环境中,加密流量的服务识别与应用识别都有较高准确率。     

基于时空图卷积网络改进的人体行为识别方法

针对目前利用时空图卷积网络ST-GCN行为识别模型进行人体行为识别准确性有待提高和如何更好地学习骨骼数据中关节点和骨架边所表达的动作特征等问题,改进现有的时空图卷积网络（ST-GCN）行为识别模型。首先,使用有向图来表示关节点和骨骼边的信息以及它们之间的依赖关系,提取相邻帧的关节位置差异作为运动信息;其次,使用双流框架分别学习运动信息和空间信息,进行融合提高识别性能;最后,使用注意力权重矩阵让图的拓扑结构具有自适应性,增大节点的感受野,使网络能够学习到远端关节之间的语义信息,更好的捕捉动作特征。将所提出的方法在NTURGB+D数据集上进行实验。研究结果表明,采用基于时空图卷积网络改进的人体行为识别方法在数据集上达到了96%的准确率,与现有ST-GCN模型相比,准确率提高了。此方法可进一步促进人体行为识别技术在智能家居、智能监控安防、人机交互、基于内容的视频检索、智慧城市发展等领域的广泛应用。     

基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。     

基于卷积神经网络的调制信号识别算法

针对基于特征提取的调制信号识别算法准确性不高的问题,将卷积神经网络(Convolutional Neural Network,CNN)应用于调制信号识别,实现调制信号的空间和时序特征的自学习,避免了传统算法中特征选择和提取步骤,提高了识别准确率.调制信号样本为RaidoML2016.10 a国际标准数据集,实验结果表明...     

融入选择性卷积核的胶囊网络图像分类方法

传统卷积神经网络对空间信息不敏感,无法学习到不同特征间相对位置的关系,且每一层神经元的感受野被设计为相同大小,导致提取的图像特征信息不够精确.针对这些问题,提出一种选择性卷积核胶囊网络用于图像分类任务.在经典胶囊网络的卷积层融入具有两个分支的选择性卷积核网络,以提取更为丰富、准确的图像特征信息,提高图像分类准确率.采用...     

基于BP神经网络的硅微陀螺仪温度补偿方法（英文）

研究了硅微陀螺的温度特性,提出了硅微陀螺仪的温度补偿方法.首先,采用开环电路测试了微陀螺仪的谐振频率和品质因素随温度变化的情况,并采用闭环电路测试了微陀螺整机零偏随温度变化规律.然后,为研究降低温度对微陀螺性能的影响,提出了一种基于误差反向传播（BP）神经网络的温度补偿方法.通过Matlab仿真,基于BP神经网络温度补偿的优化模型经过4步就得到很好训练,并使全温范围内微陀螺零偏的目标误差达到0.001.该补偿方法实时运行试验结果表明,环境温度在-40 ～80℃变化过程中,微陀螺仪的最大零偏经过补偿能从12.43（°） /s降低到0.75（°） /s,从而大大提高了微陀螺仪的零偏稳定性.     

一种基于时间隐蔽信道的WSN认证算法

为解决无线传感器网络(WSN)内节点与网关及网关与终端之间的数据安全传输问题,针对WSN节点受到严格时空资源限制的特点,提出了一种在WSN节点之间、节点与网关之间利用时间隐蔽通信来进行身份认证的算法,被认证方可通过调整发送的数据包间隔特征来携带认证信息,认证方则从接收的数据包间隔特征中提取认证信息以进行验证。仿真结果表明,在阈值选取适当的情况下,基于时间隐蔽通信的认证算法能在WSN环境下稳定地工作,获得正确可靠的编解码结果,可以以较低的时空开销保证WSN节点之间、节点与网关之间数据传输的安全性。     

基于信念网络的多维并行级联码的串行译码方法

1　Ｉｎｔｒｏｄｕｃｔｉｏｎ　Ｔｈｅｐａｒａｌｌｅｌｄｅｃｏｄｉｎｇｍｅｔｈｏｄｏｆａｐａｒａｌｌｅｌｃｏｎｃａｔｅｎａ ｔｉｏｎｏｆｍｕｌｔｉｐｌｅｃｏｄｅｓｉｓｐｒｅｓｅｎｔｅｄｂｙＤｉｖｓａｌａｒ[1] .Ｔｈｅｉｔｅｒａｔｉｖｅｇａｉｎｏｆｔｈｉｓｍｅｔｈｏｄｎｅｅｄｓｔｏｂｅｃａｌｃｕｌａｔｅｄｂｙｕｓｉｎｇｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ .Ｗｅｐｒｅｓｅｎｔａｎｅｗｓｅｒｉａｌｄｅ ｃｏｄｉｎｇｍｅｔｈｏｄｗｈｏｓｅｉｔｅｒａｔｉｖｅｇａｉｎｉｓｏｎｅｓｈｏｗｎｉｎＦｉｇ .1.Ｗｅｗｉｌｌ…     

基于电压三角形法测量无源一端口等效参数的实验方案分析

同样的实验原理,采用不同的实验参数,可以得到不同的实验准确度。以电压三角形法测量无源一端口等效参数实验为例,通过展开对实验误差的分析,从中得出实验方案的选取策略,得出减小实验误差的有效措施。