分类错误指导的分层B-CNN模型用于细粒度分类

目的 细粒度分类近年来受到了越来越多研究者的广泛关注,其难点是分类目标间的差异非常小。为此提出一种分类错误指导的分层双线性卷积神经网络模型。方法 该模型的核心思想是将双线性卷积神经网络算法（B-CNN）容易分错、混淆的类再分别进行重新训练和分类。首先,为得到易错类,提出分类错误指导的聚类算法。该算法基于受限拉普拉斯秩（CLR）聚类模型,其核心“关联矩阵”由“分类错误矩阵”构造。其次,以聚类结果为基础,构建了新的分层B-CNN模型。结果 用分类错误指导的分层B-CNN模型在CUB-200-2011、 FGVC-Aircraft-2013b和Stanford-cars 3个标准数据集上进行了实验,相比于单层的B-CNN模型,分类准确率分别由84.35%,83.56%,89.45%提高到了84.67%,84.11%,89.78%,验证了本文算法的有效性。结论 本文提出了用分类错误矩阵指导聚类从而进行重分类的方法,相对于基于特征相似度而构造的关联矩阵,分类错误矩阵直接针对分类问题,可以有效提高易混淆类的分类准确率。本文方法针对比较相近的目标,尤其是有非常相近的目标的情况,通过将容易分错、混淆的目标分组并进行再训练和重分类,使得分类效果更好,适用于细粒度分类问题。     

宽带系统校准的新方法

通常的扫频源法对系统进行校准时只能校准其幅频响应而丢失了相位信息。本方法可以利用Hilbert(希尔伯特)变换恢复原扫频源法丢失的相位信息,由幅度和相位信息重构宽带系统的冲激响应和阶跃响应,以实现对宽带系统,例如各类示波器进行较为精确的校准。     

应用GIS建立煤与瓦斯突出危险性区域预测管理系统

本文研究了GIS技术支持下的区域预测信息管理新方法 ,应用信息集成构建了包括多个变量的、多维的、实时更新的可视化信息平台 ,实现了区域预测、决策的一体化     

真实场景下模拟器卫星可见性研究

随着信号模拟器的发展，载体的运动模型越来越复杂，给出了一种在真实复杂的场景下载体自驾车行驶的过程中卫星可见性判断的方法。利用Global Mapper软件处理网上下载的数字高程信息，提取真实场景中的山脉等障碍物的位置和高度信息。载体行驶过程中，地图API会结合实际路况和真实的地形地貌状况规划出一条合理的自驾车行驶路线。针对载体不断运动过程中的每个位置，实时的计算山脉等障碍物和卫星相对载体的仰角，判断载体每个位置上该卫星是否可见。通过比较考虑地形地貌因素和不考虑地形地貌因素两种实验条件下，对比障碍物和卫星相对于载体的仰角大小，模拟器求解出可见卫星数量变化，用实验结果分析并验证了研究方法的正确性     

改进的扫频源校准法

本文提出了一种相位信息可恢复的扫频源校准法.本方法可以恢复传统的扫频源法丢失的相位信息,由幅度和恢复的相位信息重构宽带系统(例如宽带取样示波器)的冲击响应和阶跃响应,以实现对宽带系统较为精确的校准.本方法通过了计算机仿真的验证.     

数字电位器X9221的软件编程

数字电位器是近年出现的数字控制器件，它采用Ｉ＾２Ｃ总线方式。本文详细叙述单片机控制数字电位器Ｘ９２２１的软件编程方法，给出了部分主程序。