离散多音调制可见光信道非线性失真及参数优化

为了改善离散多音调制(DMT)点对点可见光通信(VLC)性能,首先给出了DMT技术原理并建立了实验装置,进而研究了16-相位键控(16-PSK)DMT信号直流偏压和探测器偏置电阻对VLC信道非线性失真的影响。为了使VLC信道工作于良好的线性区,优化得到了不同通信距离下系统的最佳直流偏压和探测器偏置电阻。在VLC信道响应存在非线性失真和调节系统参数使其工作于线性区两种情况下,在0.2Mbit/s数据传输速率下分别开展了通信实验,并测试了系统在不同通信距离处的误码率(BER)。结果显示,BER可由未做参数优化时的10-1量级降至10-3量级;且在20~90cm通信距离范围内BER几乎恒定,表明系统稳定性也得到了明显改善。本文的实验测试和分析结果为进一步优化系统参数及改进通信性能提供了数据依据。     

视频图像中动态目标检测系统的FPGA硬件设计

为解决传统视频图像数据处理时,通常以软件为基础,存在工作量大、存储时间长的问题,提出了基于FPGA硬件结构处理的设计,提高系统的处理速度和实时性.针对图像处理问题,采用背景差分法检测运动目标,通过二值化方法剔除图像中的静止场景,然后再做形态滤波,消除空洞和噪声点,最后提取出目标中心点,达到检测运动目标的目的.同时加入sobel边缘检测模块,扩展运动目标检测体系结构,在检测目标时,系统能够根据物体的形状以及它的运动路径,来识别对象并对其检测结果进行分类.此外,对一些特定环境,设置适当禁区,当目标中心点进入禁区时,做出相应判断.硬件设计和Verilog HDL程序编写完成后,在Modelsim中做仿真验证,可以得到正确的目标检测结果.     

基于深度高斯过程的多元类别数据分布估计

多元类别数据的可能取值会随向量长度的增长呈指数级增长,从而造成数据稀疏性问题。通过将观察数据嵌入到连续空间中训练识别数据之间的相似性,构建多元类别数据的线性高斯隐变量模型和类别隐高斯过程(CLGP)。在CLGP模型基础上,建立小样本多元类别数据分布估计的多元类别深度隐高斯过程模型,并结合蒙特卡洛采样的变分推断方法对模型进行参数优化。实验结果表明,与CLGP模型相比,该模型分布估计精确度有所提升。     

输油气管网系统的优化设计与实施

石油、天然气的输送是通过管道传递的,随着老油田和老气田新区块的开发,多条输油气管组成了一个庞大的输油气管网系统。由于输油气管网系统在运行过程中经常出现油气供应不足现象,为了进一步提高油田的生产效率,有必要对油气集输管网进行布局优化,促使管网以更高的效率运行,减少对于油气集输管网的维护工作,降低油田生产成本。     

多支盘加筋水泥土桩抗拔性能的数值模拟分析

利用PLAXIS有限元软件分析了在上拔荷载作用下多支盘加筋水泥土桩的抗拔性能及机理,通过计算分析了多支盘加筋水泥土桩的抗拔特性,得出多支盘加筋水泥土桩的抗拔承载力发挥及桩身上拔位移主要取决于支盘阻力的作用,并且下部支盘的作用是主要的。同时,考虑分析了桩体刚度、支盘数、支盘布置等因素对抗拔承载力及上拔位移的影响。     

离散多音调制可见光信道非线性失真及参数优化

为了改善离散多音调制(DMT)点对点可见光通 信(VLC)性能,首先给出了 DMT技术原理并建立了实验装置,进而研究了16-相位键控(16-PSK)DMT信号直 流偏压和探测器偏置电阻对VLC信道非线性失真的影响。为了使VLC信道工作于良好的线 性区,优化得到了不同通信距离下系统的最佳直流偏压和探测器偏置电阻。在VLC信道响 应存在非线性失真和调节系统参数使其工作于线性区两种情况下,在0.2Mbit/s数据传输速 率下分别开展了通信实验,并测试了系统在不同通信距离处的误码率(BER )。结果显示,BER可 由未做参数优化时的10－1量级降至10－3量级;且在20~90cm通信距离范围内 BER几乎恒 定,表明系统稳定性也得到了明显改善。本文的实验测试和分析结果为进一步优化系统参数 及改进通信性能提供了数据依据。     

应用降雨距平法评估水稻干旱减产量

降雨距平法是适合本地区水稻干旱评估的重要方法之一。我站收集36年的降雨资料,将多年降雨量、平均降雨量等要素,利用降雨距平法进行系统分析,得出本地区水稻生长期间6、7、8三个月份不同降雨距平下的降雨量、降雨利用量、水稻缺水量和减产率,为中稻干旱评估提供科学依据。     

基于加权正则化协同表示的非均衡分类方法

协同表示分类器及其变种在模式识别领域展现出优越的识别性能。然而,其成功很大程度上依赖于类别的平衡分布,高度非均衡的类别分布可能会严重影响其有效性。为弥补这一不足,该文把补子空间诱导的正则项引入到协同表示模型框架,使得改进后的正则化模型更具判别性。进一步,为提高非均衡数据集上少数类的识别准确率,根据每类训练样本的表示能力提出一种基于最近子空间的类权学习算法。该算法根据原始数据的先验信息自适应地获取每类的权重并且能够赋予少数类更大的权重,使得最终的分类结果对少数类更加公平。所提模型具有闭式解,这展示了该方法的计算效率。在权威公开的两类和多类非均衡数据集上的实验结果表明所提方法显著优于其他主流非均衡分类算法。