基于二阶统计特性的方向向量估计算法的DOA估计

为了减小天线阵流形误差对波达方向(DOA)估计结果的影响,以及克服基于传统盲源分离算法的DOA估计算法不能应用于少通道测向设备的不足,提出一种基于2阶统计特性的方向向量估计算法的DOA估计算法。首先,根据确定性最大似然(DML)估计算法谱函数的特征,构造关于协方差矩阵的酉约束下的优化问题;然后,通过优化该问题获得各个单信号的实际方向向量;最后,将各个单信号的实际方向向量输入到空间谱算法中实现DOA估计。由于将多信号的DOA估计转化为多个单信号的DOA估计,因此在天线阵列流形存在误差时,所提算法比传统的DOA方法具有更好的DOA估计性能。由于所提算法仅需使用协方差矩阵,因此所提算法可应用于少通道测向设备。由仿真实验结果可知,在阵列流形存在误差以及测向设备为少通道测向设备时,与传统DOA方法相比,所提算法的DOA估计的准确度、抗扰度以及分辨率更高。     

吸波剂含量和涂层厚度对微波吸收性能的影响

以具有强磁损耗特性的磁粉、电阻型和电介质型物质作为吸波剂,制备出了具有阻抗渐变结构的3层复合雷达吸波涂层,研究了吸波剂用量和涂层厚度对吸波性能的影响.结果表明,增加表层、中层或底层吸波剂含量及涂层厚度,均能使吸波性能曲线向低频端方向移动,反之,吸波性能曲线向高频端方向移动;选择适当的吸波剂含量或者一定厚度的涂层才能拓宽、加深吸波性能.制得的试样中反射损耗可达-35.74和-39.25dB,其频宽(＜-10dB)分别为3.52和2.84GHz.     

探索从包钢营销平台中挖掘客户价值

分析了传统CRM与新型CRM的区别,剖析了分析型CRM中客户、关系、管理三者的本质联系.结合目前包钢营销管理信息网络平台,提出包钢探索客户价值分析的四项基本职能:即客户分析、客户分类、市场定向、建立预测模型.     

基于分裂倒残差的轻量化目标检测算法

针对工业应用领域中终端设备计算能力较低且对检测算法的响应速度存在较高需求的问题,提出基于分裂倒残差的轻量型实时目标检测算法.首先,在主干网络中使用分裂倒残差结构,削减网络结构的参数量以及运算次数,以达到加快推理速度的目的;其次,引入自适应上下文感知模块以及轻量型双向特征融合模块,旨在提升特征信息交流、增加对小目标检测性能的同时,避免增加额外的学习参数与推理.实验结果表明,文中算法在参数量仅有7.5×105的情况下, MS COCO数据集中检测精度达到21.1%,移动端检测速度达到48帧/s,远超对比算法,该检测算法更适合在无法提供高计算能力的移动端设备上完成目标检测任务.     

一种改进的SSD算法及其在车辆目标检测中的应用

针对目前主流的目标检测算法检测效率不高以及小目标检测困难的问题,提出一种改进的SSD(Sin-gle Shot MultiBox Detector)算法,并将其应用于道路环境车辆目标的检测.设计一个目标检测网络结构,对高层特征图不进行降采样,使用空洞卷积和深度可分离卷积层来提高模型性能,并使用K-means算法来对模型参数进行优化.在Udacity道路环境数据集上进行对比实验,结果表明,该算法对车辆目标检测的平均精准度达到了58.01％,检测速度达到了86.26帧每秒,相比原SSD算法有明显提升.     

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。     

基于卷积神经网络的多进制相位调制信号识别算法

由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。     

基于深度神经网络的语音驱动发音器官的运动合成

实现一种基于深度神经网络的语音驱动发音器官运动合成的方法,并应用于语音驱动虚拟说话人动画合成. 通过深度神经网络(Deep neural networks, DNN)学习声学特征与发音器官位置信息之间的映射关系,系统根据输入的语音数据估计发音器官的运动轨迹,并将其体现在一个三维虚拟人上面. 首先,在一系列参数下对比人工神经网络(Artificial neural network, ANN)和DNN的实验结果,得到最优网络; 其次,设置不同上下文声学特征长度并调整隐层单元数,获取最佳长度; 最后,选取最优网络结构,由DNN 输出的发音器官运动轨迹信息控制发音器官运动合成,实现虚拟人动画. 实验证明,本文所实现的动画合成方法高效逼真.     

基于振动力和风力作用的服装动态仿真*

为了真实地模拟服装的动态效果,本文提出了一种四元数产生振动运动的方法。本文首先介绍了四元数产生振动运动的过程,然后给出基于随机噪声函数构建随机风场的过程,调节不同的仿真参数,仿真出裙子在重力、振动力、风力作用下的动态效果。实验结果表明,该方法获得了不错的动态服装仿真效果。