复数系统中五二阶归一化累积量盲均衡算法的研究

采用对称-反对称变换原理,提出了一种五二阶归一化累积量盲均衡算法,克服了对称信号奇数阶累积量为零而无法进行信道均衡的缺点.计算机仿真表明,该算法实现简单,收敛效果好,稳态剩余误差小,其性能优于已有的一些同类算法.     

基于解码芯片的无线能源唤醒模块设计

无线传感器功耗较大并且对电源电压的要求比较严格,使用自带的小尺寸电池该传感器工作时间短并且存在由于电源电压不稳而造成损坏的几率。针对上述问题,设计了一种低功耗无线能源唤醒模块,在需要工作时可开启电源,向传感器稳定供电;否则将关闭电源。实验结果表明,采用无线能源唤醒技术能够在使用小尺寸电池的条件下大大延长传感器系统的工作时间,并且为无线传感器提供稳定的能源供给增强其实用性。对于一种用于桥梁安全检测的无线传感器网络,加装本模块后,使其工作时间由原先的几十个小时延长至一年并且降低了该无线传感器由于电源不稳而造成损坏的几率。     

基于核方法的工频干扰消除算法

提出了一种新的基于核方法的工频干扰消除算法。利用构造参考信号的方法,将工频干扰消除问题转换为盲信号分离问题。通过核方法向高维特征空间的数据映射克服信号采集传感器的非线性畸变效应,利用信号的时间可预测性实现对输入信号的分离,从而得到不含工频干扰的有用信号。仿真实验结果表明,算法能够有效克服传感器的非线性畸变影响,很好地消除心电信号和地震信号中的工频干扰。     

密集挤压激励网络的多标签胸部X光片疾病分类

目的 X射线光片是用于诊断多种胸部疾病常用且经济的方法。然而,不同疾病的位置及病灶区域大小在X光片上差异较大且纹理表现存在多样性,是胸部疾病分类任务面临的主要挑战。此外,样本数据类别不平衡进一步增加了任务的困难。针对以上挑战以及目前算法识别精度有待提升的问题,本文采用深度学习方法提出一种基于密集挤压激励网络的多标签胸部疾病分类算法。方法 将挤压激励模块同样以密集连接的方式加入密集连接网络中作为特征通道高度注意模块,以增强对于网络正确判断疾病有用信息的传递同时抑制无用信息的传递;使用非对称卷积块增强网络的特征提取能力;采用焦点损失函数,增加难识别疾病的损失权重而减小易识别疾病的损失权重,以增强网络对难识别样本的学习。结果 在ChestX-ray14数据集上的实验结果表明,本文算法对14种胸部疾病的分类精度较目前3种经典及先进算法有所提升,平均AUC（area under ROC curve）值达到0.802。另外本文将算法模型在诊断时依据的病灶区域进行可视化,其结果进一步证明了模型的有效性。结论 本文提出的基于密集挤压激励网络的多标签分类算法,在胸部疾病识别上的平均AUC值较高,适用于胸部X光片的疾病分类。     

多视图卷积轻量级脑肿瘤分割算法

脑肿瘤分割对医学图像处理领域发展与人类健康都具有积极意义。针对三维卷积神经网络存在复杂度大且对硬件设备要求高等问题，提出一种多视图卷积轻量级脑肿瘤分割算法。首先使用复用器模块有效融合各通道间的信息，并为模型增加提取非线性特征的能力。其次使用伪三维卷积分别从轴向位、矢状位和冠状位进行卷积，并加入组卷积以节约计算资源和降低设备显存使用。最后使用可训练参数权衡不同视图下提取的特征的重要性，提高模型分割精度。此外，实验使用分布式数据并行方法训练模型，以提升图形处理器的利用率。在2019年脑肿瘤分割大赛公开数据集上的实验结果表明，所提算法的平均Dice相似度系数仅低于第一名算法2.52个百分点，然而参数量与浮点运算次数分别降低了84.83%和96.67%，且平均Dice相似度系数高于第二名算法0.05%。通过对比实验分析，验证了所提算法的精确与轻量，为脑肿瘤分割模型的广泛应用提供了可能性。     

基于嵌入式Linux系统的双网卡大数据传输

数据传输速度是嵌入式系统应用中不可忽视的一个重要因素,特别是在大数据网络中将起到决定性的作用,双网卡在网络带宽较低的环境下可以显著提升嵌入式设备的传输速度。介绍了一种在嵌入式Linux系统下利用原始套接字构建双网卡网络环境的方法,该方法通过原始套接字获取网卡接口信息,并对数据链路层的数据进行操作;在传输层使用UDP协议收发数据;在应用层增加对UDP包的确认机制,保证数据正确地传输,并且采用多线程技术将数据包按照各网卡的带宽动态分配。测试结果表明,该方法能够有效地利用双网卡的带宽资源,提升整体网络数据的传输速度,适合应用于大数据传输应用。