基于离散傅里叶不变特征的人脸识别

给出了一种基于离散傅里叶不变特征的人脸识别方法。从连续傅里叶变换出发,讨论连续傅里叶变换情况下的傅里叶变换性质,给出离散傅里叶变换情况下的傅里叶变换性质。依据离散傅里叶变换性质,推导出离散傅里叶变换的不变特征,并将其用于人脸图像识别。人脸识别结果表明方法具有很好的识别能力。     

基于离散傅里叶不变特性的人脸识别

给出了一种基于离散傅里叶不变特征的人脸识别方法，从连续傅里叶变换出发，讨论连续傅里叶变换情况下的傅里叶变换性质，给出离散傅里叶变换情况下的傅里叶变换性质。依据离散傅里叶变换性质，推导出离散傅里叶变换的不变特征，并将其用于人脸图像识别。人脸识别结果表明方法具有很好的识别能力。     

一种基于FFT计算离散小波变换的方法

将小波变换和快速傅里叶变换（FFT）方法相结合,分析研究了用快速傅里叶变换计算离散小波变换的方法,总结变换结果和滤波器长度之间的移位关系,并提出通过把输入信号信号循环移位,实现完全重构的方法。这种方法计算的时间复杂度和快速傅里叶变换相当。     

周期性序列的傅里叶变换求解法

对周期性序列傅里叶变换的三种求解方法进行了分析和讨论。目前大多数教材中都是采用通过直接给出变换的结果,再代入反变换的公式中求证的方法,从教学效果看,这种方法比较抽象,使学生难以理解。本文提出的根据离散时间傅里叶变换（DTFT）和傅里叶变换（FT）的关系以及利用周期序列的离散傅里叶级数（DFS）的求解方法可以使求解过程简化,易于被学生掌握。     

基于修正离散傅里叶变换的频域卷积混合盲分离

针对频域卷积混合盲分离,依据所导出的卷积混合信号每帧的频域表示模型,提出了一种最小均方误差意义下的最优变换--修正离散傅里叶变换,用于代替频域卷积混合盲分离中常用的离散傅里叶变换.在每个频率片上,卷积混合信号的修正离散傅里叶变换系数在最小均方误差意义下最接近于源信号频谱的瞬时混合.相对于离散傅里叶变换系数,现有瞬时混合盲分离算法能从修正离散傅里叶变抉系数中更精确地估计各频率片上分离矩阵,从而提高现有频域卷积混合盲分离算法的分离性能.仿真结果证明了修正离散傅里叶变换对现有频域卷积混合盲分离算法的有效性.     

基于连续傅里叶变换计算离散傅里叶变换的一种算法

介绍一种利用连续信号的傅里叶变换计算离散序列离散傅里叶变换的算法,给出了这种算法的应用实例,并对此算法的有效性进行了验证.     

一种快速线性时频变换方法

信号的频率含量在很多应用中是非常重要的,很多算法在这方面进行了研究。普通的S变换可以同时提供时间和频率信息,但需要的计算要求较高。本文介绍了一种线性时频变换方法,包括傅里叶变换（FT）、短时傅里叶变换（STFT）和S变换（ST）。它是一种离散的,可逆的,无冗余的变换算法,具有快速傅里叶变换（FFT）相同的计算复杂度。经过合理的调试和仿真,该方法有效地对非平稳信号频谱进行采样和加窗过滤,得到连续S变换频谱,说明在信号分析中具有可行性和适用性。     

分数阶傅里叶变换对OFDM系统峰均比的影响

分析并讨论了分数阶傅里叶变换对OFDM系统峰均功率比性能的影响,并与传统的采用离散傅里叶变换的OFDM系统的峰均功率比性能进行了比较。结果表明在子载波数较少的情况下,采用分数阶傅里叶变换的OFDM系统的峰均功率比性能要优于采用离散傅里叶变换的OFDM系统的峰均功率比性能,而随着系统子载波数量的逐渐增加,二者性能趋向一致。     

一种利用相角对加性隐写模型进行分析的方法

基于图像在加性隐写模型下隐写前后差分直方图离散傅里叶变换与隐写信息离散傅里叶变换间的对应关系, 从隐写前后差分直方图离散傅里叶变换相角的变化入手, 提取特征, 在理论上加以论证并从实验上得到验证。对UCID V2标准图库进行实验, 结果表明, 本方法对加性隐写模型具有很好的检测效果。     

基于IBM量子计算云服务的量子傅里叶变换实现

Shor算法能够相对经典大整数分解算法实现指数加速,从而直接威胁到了RSA密码体制,而量子傅里叶变换是Shor算法中的一个关键变换,也能够相对经典离散傅里叶变换实现指数加速,从而引起了广泛关注。主要针对量子傅里叶变换的实现方案进行研究。首先介绍了IBM公司量子计算云服务的编程基础,随后设计了3比特量子傅里叶变换的量子线路,最后在IBM公司5超导量子比特的量子计算芯片上进行了实验验证。     

基于工作过程系统化的高职《数据库技术应用》课程改革研究

针对如何提升《数据库技术应用》课程的授课效果问题,从合理设置学习情境、优化课程组织方式、提升任务完成率、做好前导后续课程衔接、推进教学资源库建设、改进考核方式六个方面阐述了课程改革思路及内容,提升了授课质量,增强了授课效果,为其他课程教学改革提供了参考。     

浅析中职计算机教学中学生自学能力的培养

中职学生的学习成绩与知识基础普遍较差,学习的能力更是不容乐观,为使学生适应现代计算机知识的日益更新,培养学生的自学能力成为中职计算机教学的一项重要课题。文章主要阐述的是在计算机教学中,通过三个由浅至深的台阶式步骤来培养中职学生在计算机学习中的自学能力：（1）强化动机,激发兴趣;（2）循序渐进,养成习惯;（3）反馈总结,逐步提高。     

深度学习在肺结节辅助诊断中的应用

肺癌位居癌症死亡率首位,对其进行早期诊断和治疗可降低肺癌患者的死亡率。深度学习能够自动提取结节特征,并完成肺结节的良恶性及恶性等级分类,因此深度学习方法成为肺癌早期诊断的重要手段。对常用数据集进行介绍,系统阐述了栈式去噪自编码器（SDAE）、深度置信网络（DBN）、生成对抗网络（GAN）、卷积神经网络（CNN）、循环神经网络（RNN）和迁移学习技术在肺结节良恶性分类中的应用,阐述了深度卷积生成对抗网络（DCGAN）、多尺度卷积神经网络（MCNN）、U型网络（U-Net）和集成学习技术在肺结节恶性等级分类中的应用,针对肺结节分类的深度学习方法进行了综合分析,并对未来研究方向进行展望。     

数据结构之查找实例演示系统的设计与实现

本系统是算法实例演示系统的一部分,设计的主要内容：静态查找（顺序查找、折半查找、分块查找）,动态查找（二叉排序树的查找、二叉平衡树的查找）以及基于哈希表的查找（开放地址法、再哈希法、链地址法）。通过实例形象地把查找过程给演示出来,突出教与学的交互性。系统在教学中得到实践检验,效果较好。     

频率估计的多段正弦信号快速频谱融合算法

多段正弦信号频谱融合法（简称“原融合算法”）是提高低信噪比条件下正弦信号频率估计精度的一条有效途径,具有重要研究意义和应用价值。为满足雷达、声纳、电子对抗等实时性要求较高的频率估计应用需求,提出多段正弦信号快速频谱融合算法。该方法通过设计离散时间傅里叶变换（Discrete Time Fourier Transform,DTFT）快速算法、降维处理加权融合频谱矩阵和1/3主瓣相关性分析处理等措施来降低算法计算量,提高实时性。重点对上述三项措施的原理进行了阐述与分析。计算量对比和仿真实验表明,多段正弦信号快速频谱融合算法在精度损失极小的前提下,能够大幅降低计算量;在信噪比极低的情况下[(SNR-13 dB)],其性能略优于原融合算法。     

基于支持向量机的高校教学水平评估模型的研究

教师教学水平的评估是教育评估的核心问题之一。本研究将支持向量机多分类方法引入教学水平评估任务之中,利用支持向量机将线性模糊不可分的样本映射到高维空间使之具有线性可分特性,从本质上避开了从归纳到演绎的传统过程,简化了非线性问题的分类过程;结构风险最小化理论保证分割的全局最优化,降低期望风险。该方法充分利用支持向量机的小样本学习的高效性,实现了优秀的学习效果,减少了传统评价方法中的分歧误差和主观性因素的影响,更加符合宏观取向的评价结论。该研究成果可与信息熵、模糊数学等研究方法相结合,进一步增强数据拟合的精度,该方法对改进教师的教学水平、促进教学质量的提高具有一定的参考意义。     

基于问题的学习模式在程序设计类课程教学中的应用

"基于问题学习"(Problem-Based Learning、简称PBL)模式是由当前盛行的建构主义学习理论衍生出来的。本文探索了"高级语言程序设计(VC++)"课程新的教学方式,教学实践证明PBL模式利于发挥学生学习的主动性、能动性、独立性,增强学生的编程能力,发展与提高学生的创新意识和实践能力。     

基于深度学习的立体影像视差估计方法综述

三维重建技术常用于自动驾驶、机器人、无人机和增强现实等领域。视差估计是三维重建的关键步骤,随着数据集的增加、硬件和网络模型的发展,深度学习视差估计模型被广泛使用并取得良好效果。然而,这些方法常用室外场景的物体,很少使用在室内场景的数据集中。回顾了双目视差估计的深度学习方法,选用5种深度学习网络：PSMNet(pyramid stereo matching network)、GA-Net(guided aggregation network)、LEAStereo(hierarchical neural architecture search for deep stereo matching)、DeepPruner(learning efficient stereo matching via differentiable patchmatch)、BGNet(bilateral grid learning for stereo matching networks),将其运用在一套真实世界的街景数据集（KITTI2015）和两套室内场景数据集（Middlebury2014、Instereo2K...     

模仿学习方法综述及其在机器人领域的应用

模仿学习一直是人工智能领域的研究热点。模仿学习是一种基于专家示教重建期望策略的方法。近年来，在理论研究中，此方法和强化学习等方法结合，已经取得了重要成果；在实际应用中，尤其是在机器人和其他智能体的复杂环境中，模仿学习取得了很好的效果。主要阐述了模仿学习在机器人学领域的研究与运用。介绍了和模仿学习相关的理论知识；研究了模仿学习的两类主要方法：行为克隆学习方法和逆强化学习方法；对模仿学习的成功应用进行总结；最后，给出当前面对的问题和挑战并且展望未来发展趋势。     

基于可重构方法的信息论教学验证平台

本文设计了一种基于SOPC（System—on—a-Programmable—Chip）的汉明码编解码教学验证系统,并在FPGA的DE2（Cyclone II EP2C35F672C6）可重构平台上给予实现。该系统结合汉明码编解码算法,采用自顶向下的系统级设计模式和应用SOPC的设计优势,大大增加了针对编解码算法实现的灵活性。这种设计理念可以广泛的应用于本科生的“信息论与编码”理论课程的教学实践中,可有效激发学生对理论课程的学习兴趣和提升其教学效果。