基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

一种用于水声材料设计的动态参数测试方法

针对提高水声材料设计中动态参数输入精度的问题，提出了一种复杨氏模量及泊松比准确测试方法。对于复杨氏模量测试，通过将Williams-Landel-Ferry(WLF)方程引入到Havriliak-Negami(H-N)模型中，采用信赖域反射算法对未知参数进行拟合得到材料参数宽频域主曲线。对于泊松比测试，根据同一材料不同形状因子表观杨氏模量之比与泊松比存在唯一量化关系的特性，仅通过两种不同形状因子试样的准静态有限元模拟，获得表观杨氏模量比值与泊松比量化曲线。因此，根据橡胶样品表观杨氏模量测试结果，可以直接利用局部加权回归获得其泊松比。最后，将前述材料制成直径为55 mm、厚度为50 mm的声管样品，放置在水声管中进行吸声系数测试。同时，把橡胶的复杨氏模量和泊松比的测量结果输入到水-橡胶-水分层介质模型中进行吸声系数计算。结果表明两者吻合，验证了上述测试方法的正确性和有效性。