基于模糊模式识别红外成像系统TOD 参数测量

介绍了用于红外热成像系统性能评估的三角方向辨别阈值( TOD) 法。通过对TOD 参数测试理论的分析,探讨基于模糊模式识别的客观法红外热成像系统TOD 测试的基本方法和硬件组成,给出实现客观法TOD 测量的图像处理、特征提取和模糊综合评判方法。     

基于模糊模式识别红外成像系统TOD 参数测量

介绍了用于红外热成像系统性能评估的三角方向辨别阈值(TOD)法。通过对TOD参数测试理论的分析，探讨基于模糊模式识别的客观法红外热成像系统TOD测试的基本方法和硬件组成，给出实现客观法TOD测量的图像处理、特征提取和模糊综合评判方法。     

一种表征红外成像系统性能的新方法

介绍了一种评估红外成像系统性能的新方法－三角方向辨别（TOD）法，通过对TOD法进行分析，阐述了TOD法的基本思想，研究了TOD准则的产生机理及其在红外成像系统现场性能评估方面的实现方法，比较了最小可分辨温差（MRTD）法与TOD法各自的优缺点，展望了TOD法在未来红外成像系统现场性能评估和测试领域的应用。     

基于神经网络的自学习非特定人语音识别研究

详细介绍一种基于神经网络的自学习非特定人语音识别方法,首次介绍一种语音识别知识的自动检验方法——LVV法,给出系统原理图和知识库的自动完善原理;介绍一种LEA判别法,实现梯度牛顿有效结合神经网络快速学习方法,并给出了实验结果。     

红外探测器频率响应自动测试系统

本文提出了一种新的实现PbS探测器相对调制频率响应特性自动测量的方法,根据这一方法研制的自动测量系统获得了满意的实验结果。文中介绍了该系统的工作原理和软件的流程框图。实验表明,这套自动测量系统测量速度快,精度高,重复性好,投资省,较之目前手工或半自动测量方法有着明显的优点。     

高分辨率视频图象自动测量系统

本文介绍一种新的图象自动扫描测量系统,它既保存了图象数字化方法的优点,易于实现自动测量,又克服了该方法在高精度测量中分辨率不高的缺点,为微小尺寸物体的精密测量提供了一种有效的测试方法。     

激光在克尔磁滞回线检测中的应用

本文介绍了利用氦氖激光器测量磁光材料克尔效应的原理和实现方法.检测装置的光学系统中,使用了一种磁光薄膜作为调制器和偏振面旋转角度的补偿器.在测量系统中使用单板机进行数据采集及处理,自动打印测量结果,实现了克尔磁滞回线的自动检测.     

分布式电导率在线测试分析系统

介绍了一种应用于半导体清洗技术的分布式电导率在线测试分析系统,该系统基于CAN总线传输网络,真正实现了一个全数字化的,双向的、多结点的通信链接,系统是具有测量、控制、执行和过程诊断的综合控制网络,并可方便地扩展底层检测设备.还提出了一种值得探讨的测量电导率的新方法,该方法利用单片机C8051F040内部的比较器和捕捉计数器实现,大大简化了硬件电路设计,能实现自动换档,温度自动补偿,电导率超限报警等功能.     

一种基于视觉引导的激光经纬仪自动测量系统

为了实现对目标自动识别和自动测量,建立了一种基于视觉引导的新型激光经纬仪自动测量系统.利用两台TM5100a激光经纬仪作为精密角度传感器,采用二维精密转台带动相机代替人眼对被测区域进行扫描,引导经纬仪望远镜指向相机视场,进而对视场中的目标点进行识别和瞄准测量.对系统的自动视觉引导方法进行了研究.首先通过对精密转台和双经...     

基于SOC的高精度倾角测量系统的设计

为解决自动水平调节系统和工程应用中倾角测量高成本、低精度的问题.提出了一种利用MEMS双轴倾角传感器、信号调理和SOC等电路实现高精度倾角测量的方法,并从传感器信号稳定性处理、温度补偿、信号采集处理、基准源设计和信号曲线拟合方法等多角度实现了倾角的低成本、高精度测量.实验测试表明,系统最大绝对误差小于0.005°,相对误差小于0.02%.     

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果。针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%。     

Stochastic gradient descent analysis for the evaluation of a speaker recognition

Performance optimization in speaker recognition is a challenging task in the field of vocal based human-computer interaction. Many researches have shown that deep learning Neural Network methods have the best performance in comparison with other classifiers. However, those methods with many parameters require a lot of tunings in order to optimize the performance in different supervised learning tasks. In this paper, we show that picking a good combination of parameters can significantly improve the performance of Stochastic Gradient Descent deep learning Neural Network method in automatic speaker recognition even in a noisy environment. Parameters that are analyzed are learning rate, hidden and input layer dropout rate.     

基于Elman神经网络的多目标跟踪技术的研究

首先叙述了Elman神经网络的结构、原理和学习方法.针对Elman网络的学习率对网络收敛速度及稳定性影响很大,提出了一种可以自适应调整学习速率的改进的Elman网络学习算法;并基于Elman神经网络,采用模糊推理进行数据关联的方法,结合扩展卡尔曼滤波,提出一种新的多目标跟踪方法.最后应用此方法采用两个传感器对两个运动目标进行跟踪实验,并与BP神经网络对比得出仿真结果,实验结果表明,所提出的方法是一种可行的多目标跟踪方法.     

Using neural networks as a fault detection mechanism in MEMS devices

Micro Electro Mechanical Systems (MEMS) were first proposed about 20 years ago. Today, many different kinds have been fabricated and are used in industry, space and scientific fields. The scale and relative size of analog integrated circuits and non-electrical parts are becoming smaller. As a result, the need for automatic test of MEMS is a critical requirement in MEMS fabrication and maintenance. The rapid progress in the design of these systems has not, however, been accompanied by a similar progress in fault classification technologies. MEMS are naturally very non-linear, complex and multi-domain and systems are fabricated near to each other. A large number of faults of different types may occur. This paper presents a combination of a Competitive Neural Network (CNN) and a Robust Heteroscedastic Probabilistic Neural Network (RHPNN) for fault detection in MEMS. The RHPNN has previously been proposed for analog fault detection. Finding the optimum kernel number in the second layer is a drawback of the RHPNN method. In this paper we have used a CNN for finding the optimum kernel number automatically. In addition, as the simulation results show, the correct fault detection percentage is increased in comparison with the RHPNN alone.     

VGA增益控制特性自动测试系统设计

利用GPIB总线,设计了高频全差分VGA增益控制特性的自动测试系统。首先分析了基于巴伦的全差分VGA增益测试系统的测试误差,然后利用计算机控制被测VGA和仪器,实现了增益控制特性的自动测试,并利用VBA技术控制Excel,实现了测试数据的自动记录和处理。最后利用该测试系统,实现了SER1001芯片中VGA模块2176个点的快速测试,并将获得的增益特性测试结果和矢量网络分析仪获得的测试结果进行比较,结果表明文中提供的方法实现了VGA增益控制特性的高精度、高效率测量。     

基于神经网络组的空间目标识别的信息融合方法

针对神经网络在信息融合中的应用所存在的一些问题,受人的视神经网络的启发,提出了一种基于D-S方法的神经网络组方法,并把它应用到了特征级融合中进行模式识别.和用单一的神经网络相比,利用神经网络组方法提高了对目标的识别率,并且增强了对目标识别的稳定性.最后,通过仿真试验,对提出的方法进行了验证.     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

迁移学习在天基红外目标识别中的应用

星载红外传感器对飞行的火箭进行识别时,因为观测数据有限,一般属于小样本甚至单样本学习的分类问题.本文建立了一种以一维全卷积为主体结构的孪生神经网络,将多分类问题转化为比较相似度的验证问题;并利用UCR时间序列数据集的预训练权重,对孪生神经网络的卷积特征提取部分进行知识迁移,最后使用公开文献中火箭红外辐射强度序列数据对网...     

基于特征检测和小波变换的SAR图象的智能压缩

在地质普查、安全监控等众多任务中，合成孔径雷达成像系统产生着海量的图象数据．必须通过有限的通道传回地面，迫切需要一个能从图象的信息中自动检测目标或兴趣区域的智能压缩技术。为此，本文提出了一种基于标准特征检测方法的Bayes网络融合检测方法检测兴趣区域，并据此对图象的小波分解系数进行变化和编码，从而既实现高压缩，又保持了关键区域图象的质量。     

基于神经网络客观测量MRTD方法的探讨

从分析测试热像仪性能参数MRTD的主观方法入手 ,提出了一种基于神经网络用面阵CCD测量MRTD的客观方法。介绍了客观测量系统的理论框架、设计方案和测试过程 ,并对其技术难点进行了讨论。