浅谈《信号与系统》课程教学的几点体会简

本文以“信号与系统”课程为例，结合生活实际，改变枯燥的理论叙述，提高学生学习兴趣；改变传统的教学手段和方法，辅以多媒体、网络授课答疑，增强授课效率等方面提出了课程教学中的几点体会。实践证明这些改进对于培养学生的学习能力，提高学生的学习兴趣是有一定效果的。     

基矛电磁波的低流速测量中干扰因素分析研究

介绍了电磁渡测量流速的基本原理一多普勒效应．分析了影响低流速测量的主要干扰因素一发射泄漏干扰和旁瓣干扰。根据接收信号中发射泄漏干扰不变的特性,提出了去均值滤波的方法来消除干扰,对数据进行预处理;根据旁瓣干扰的信号特性,提出了通过频谱加窗和二次加权平均法构造频域带通滤波器来抑制干扰的方法,在仿真比较完各个窗函数的性能之后...     

一种大量程超声波液位计的实现

为解决现有的超声波液位计测量量程小,在远距离测量时误差较大的问题,提出一种大量程超声波液位计的实现方法。在不改变超声波发射功率和接收增益的基础上,通过声阻抗变换的方法提高超声波在空气介质中的传播效率,以及利用匹配滤波提高远距离液面反射回波的信噪比。经过仿真及实际测试,此种方法效果显著,能将一种频率为40 kHz超声传感器的最大量程从5 m的提高至15 m,并仍可以较好的识别出液面反射回波信号。为远距离超声波液位测量提供了一种新方法。     

层状介质探地雷达信号Q值估计及反Q滤波

利用多层常Q模型描述层状介质探地雷达信号的衰减,并应用谱比法,通过求均方根Q值求得了层状介质每一层的Q值.将波场延拓理论应用到探地雷达信号的反Q滤波数据处理中,其步骤为:假定地下Q模型为多层常Q结构,对每个常Q层,将地表波场记录直接延拓到当前层顶部;在常Q层内对延拓后的波场在时频域采用广义S变换,对信号进行反Q滤波;对滤波结果求广义S反变换,得到反Q滤波后的时域信号.最后利用本方法对合成的3层探地雷达衰减记录和实验得到的2层探地雷达衰减记录进行了振幅和相位补偿,验证了该算法在探地雷达反Q滤波中的正确性和有效性.     

低压串联电弧故障特征与检测方法分析

提出了低压配电线路中的电弧故障是电气火灾主要诱因之一,针对电弧故障的发生发展过程进行了描述,对于电弧故障的类别及特征进行了分析,得出低压配电线路中的串联电弧故障易隐匿于线路中的特点,且难以对其进行检测。同时对低压配电线路中串联电弧故障的电压、电流波形进行了一般特性的分析,指出了串联电弧故障电压、电流波形的时域特征。最后总结分析了现有的电弧故障检测技术,得出结论是,以电压或电流波形特征为检测和判断对象的电弧故障检测方法最为可行。     

改进的ROEWA算子用于SAR图像的海陆分离

加权指数平均比率（ROEWA）边缘检测算子是一种较好的适用于SAR 图像的边缘检测算子,但是使用梯度计算的方法不能准确地确定边缘的方向。针对这一问题,由于SAR图像受乘性噪声干扰,对图像取对数,将乘性噪声转化为加性噪声的形式,结合Canny算子计算边缘方向。根据陆地图像边缘丰富,海洋区域平滑的特点,以及陆地和海洋在灰度上的差异,结合区域生长完成海洋和陆地的分割。实验表明将改进的ROEWA算子用于海陆分离,检测效率和精度都比较高,且鲁棒性好。     

基于分离卷积二值化网络的模型压缩方法研究

深度卷积神经网络(DeepConvolutional Neural Networks, DCNNs)在各个领域的应用愈加广泛，而在实际应用中DCNN需要大量的计算和内存资源，在资源有限的移动设备上难以部署。因此提出了一种基于深度可分离卷积二值化网络的模型压缩与优化加速的方法，首先在深度卷积神经网络中使用深度可分卷积代替传统的卷积，其次将网络中的权重和激活值进行二值化，并通过教师网络引导训练，在最大限度的增加计算速度和减少内存资源占用的同时，保持网络的分类精度。实验结果表明，使用上述方法对花卉数据集进行分类识别，在精度仅下降2.2%的情况下，可大幅减少计算时间和内存资源的占用，有利于移动设备的部署。     

通道可分离残差网络的图像超分辨率重建

针对现有图像超分辨率重建技术中存在的特征提取方式单一、中间层特征提取不充分等问题，提出了一种通道可分离残差网络。首先，利用多尺度卷积的思想设计出多分支卷积块，充分提取图像的低频信息；其次，利用通道压缩进行降维以精简特征信息，并引入坐标注意力机制对局部融合特征进行增强，通过长短跳跃连接，在加速收敛的同时使得主干网络专注于提取高频特征；最后通过上采样层重建出高分辨率图像。将本算法在Set5、Set14、BSD100和Urban100等4个超分辨率重建领域中公共数据集上进行对比分析，其中在2倍重建任务的Set5数据集上，与DBPN相比，参数量是它的2/5，PSNR和SSIM分别高出0.09 dB和0.001 6。实验结果表明，该算法对图像特征充分提取，以较少的参数量实现了与其他大型模型性能相近甚至更好的重建效果。