广播电视卫星信号的数字调制解调技术探究

随着科学技术的发展和进步,广播电视卫星信号在日常生产生活中的应用更加广泛,因此,其信号的稳定性显得尤为重要。传统的广播电视卫星信号使用的数字调制解调器技术已经无法满足现阶段的实际需求,随之也研究出了诸多全新的数字调制解调技术。有关部门应针对新数字调制解调器组织开展相应的研究工作,根据不同情况选择不同的数字调制解调技术,满足社会发展过程中的实际需求。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

基于e-Labsim平台的GMSK调制与相干解调研究

GMSK(高斯最小移频键控)是20世纪80年代提出的一种典型的连续相位调制方式,常应用在GSM、GPRS移动通信系统和WLN等多个领域。文章主要介绍了数字通信中GMSK调制与解调原理,采用e-Labsim仿真平台来实现GMSK调制与解调。