基于多尺度线性全局注意力的运动员检测算法

运动员在比赛过程中的快速移动且频繁遮挡,使得对视频中运动员检测容易出现漏检、多检、检测精度下降等问题。现有的主流方法对于移动和遮挡情况下的运动员检测表现不佳。当运动员受到遮挡后,检测目标框的尺度变化增大。引入cutout作为数据增强的方法来模拟遮挡情况,提出基于多尺度线性全局注意力Efficient ViT模块的运动员检测算法。使用线性全局注意力模块减少计算量,并辅以卷积模块来增强其局部的特征提取能力,通过轻量级小卷积聚合不同注意力头部的token获得多尺度信息,增强其全局特征提取能力。针对损失函数部分,选择EIo U作为边界框损失,加入检测框与目标框的宽高距离,使得检测框和真实目标框在尺度上更为贴近。在Sports MOT数据集中4个公开的篮球比赛视频数据集上的实验结果表明,该算法取得了98.0%准确率和98.2%的平均精度均值,相较于YOLOv5算法,其精度提升了4%,高置信度的平均精度均值提升了8.7%。

基于OAI系统的软基站相关技术研究

基于大型基站通信设备体积大而笨重、硬件改造困难,容易给工作带来问题。文章结合OAI开源系统和通用软件无线电设备,在计算机上建立了4G-LTE软基站(eNB)、软终端(UE)以及在空中接口的eNB和UE上下行链路系统,用Iperf测试软基站稳定性和空中接口的传输速率,并对测试结果进行重点分析。文章为研究LTE软基站和其他相关技术以搭建了一个简便快速的平台,具有很强的灵活参数配置性,该结论将为研究软件无线电LTE的软基站的研究者提供参考。

基于近端凸差分方法的多层卷积变换学习算法

卷积变换学习(CTL)结合了无监督学习与卷积神经网络的优点,通过无监督的方式训练卷积核,是一种新兴的稀疏表示方法.现有的单层CTL模型仅通过一层稀疏编码,不仅难以有效提取输入信号的深层语义信息,并且,基于l0范数的CTL模型得到的稀疏解虽然稀疏度强,但它的求解是一个NP-hard难题,而基于l1范数的CTL模型则存在稀疏度不足和参数过度惩罚的问题.针对以上问题,本文提出了一种基于log正则化函数的多层CTL模型(CTLlog):为了提取输入信号更具鉴别性与丰富语义的稀疏特征,对单层的CTL模型进行多层拓展,同时使用稀疏度强,偏差性小的非凸log正则化函数作为CTL模型的稀疏约束方法.通过使用近端凸差分方法对模型的非凸优化问题进行优化求解,开发出基于近端凸差分方法的多层卷积变换学习算法.实验表明,本文提出的基于近端凸差分方法的多层卷积变换学习算法所使用的log正则化稀疏约束效果优于现有的CTL模型,且多层CTL-log的特征提取效果相较于单层取得了提升,在支持向量机(SVM)分类器的分类精度提升了2个百分点左右.

面向卷积混叠环境下的盲源分离新方法

卷积混叠环境下的盲源分离(Blind source separation, BSS)是一个极具挑战性和实际意义的问题.本文在独立分量分析框架下,建立非负矩阵分解(Nonnegative matrix factorization, NMF)模型,设计新的优化目标函数,通过严格的数学理论推导,得到新的模型参数更新规则;并对解混叠矩阵进行标准化处理,避免幅度歧义性问题;在源信号的重构阶段,通过实时更新非负矩阵分解模型参数,避免源信号的排序歧义性问题.实验结果验证了所提算法在分离中英文语音混叠信号、音乐混叠信号时的有效性和优越性.

基于Bi-SRNN的联邦学习区域电力短期负荷预测模型

随着配电网终端需求多样化和清洁能源的大规模接入,对区域电力负荷的准确预测变得至关重要。在电力市场化改革背景下,客户端倾向于用电信息保存在本地以确保隐私安全。利用天气数据和历史负荷数据,提出面向区域客户端隐私保护的联邦学习双向叠加循环神经网络负荷预测框架。根据短期电力负荷长序列数据之间的强关联性建立基于双向叠加循环神经网络的负荷预测模型。利用联邦平均算法构建基于联邦学习的区域负荷预测框架,将多个利用不同区域客户端负荷数据训练得到的双向叠加循环神经网络的模型进行融合,反复迭代获得全局模型。采用某市96组实时区域电力负荷公开的数据集,对该模型在区域客户端不共享负荷数据条件下的训练效果进行测试,结果表明,所构建模型具有较低的训练耗时和较高的预测精度。

结合脉冲响应重塑和期望最大化的盲信号分离

多通道欠定卷积语音混合信号的分离问题是盲信号分离领域的难点.由于混合信号中常伴随声学回声和混响,真实的源信号很难完全被清晰地分离出来.传统的盲信号分离算法多数适用于低混响,而在高混响场景下,算法的分离性能极速下降甚至是失效的.本文针对具有声学回声和混响环境下的多通道欠定卷积语音混合信号的分离问题,提出一种结合脉冲响应重塑和期望最大化的盲信号分离算法,该算法在低混响和高混响下都表现出很好的分离性能.首先,利用基于无穷范数和p-范数的脉冲响应重塑技术设计预滤波器消除可听回声,完成对混合信号的重塑,提高混合信号的质量.然后,对重塑后的混合信号利用分层聚类方法估计混合矩阵,基于期望最大化算法框架,设计新的模型参数实时更新规则,通过结合脉冲响应重塑和期望最大化重构源信号.实验结果表明,所提算法可以有效地分离不同混响环境下带声学回声的欠定卷积混合信号,其分离性能优越,同时对噪声具有很好的鲁棒性.

基于正交约束的广义可分离非负矩阵分解算法

可分离非负矩阵分解(NMF)是通过抽取数据集中的部分样本或关键主题来表示整个数据集的一种特殊NMF方法。广义可分离非负矩阵分解(GSNMF)算法是由可分离NMF扩展的算法,可以同时得到数据集中的关键样本和关键主题两类特征,使分解结果更具有可解释性,但在处理某些数据集时由于选择方法存在的缺陷,GSNMF算法只能单独选择行或列的特征,从而失去可解释性的优点。为此,引入正交约束来修正GSNMF算法的选取结果,提出一种基于正交约束的广义可分离非负矩阵分解(OGSNMF)算法,利用非负特性及正交约束的特点,限制迭代过程中关于行和列的迭代矩阵,确保得到行和列的特征,并获取更加精确的分解结果。在此基础上,引入相对近似误差作为实验指标,结合分解结果的秩在行与列上的分配作为实验评判标准。实验结果表明,与原有算法相比,OGSNMF算法在处理数据集时,相对近似误差提高了1~3个百分点,说明在分解过程中损失的信息更少,确保能够获取到行和列的特征,得到更具有可解释性的分解结果。

基于PU-Faster R-CNN的手机屏幕缺陷检测算法研究

手机屏幕缺陷检测是手机生产的重要环节,实现准确而高效的屏幕缺陷检测对于提高手机工业产能具有重要意义;在实际生产过程中,手机屏幕图像缺陷特征隐晦、缺陷尺寸差异大等问题,加大了手机屏幕缺陷检测的难度;为解决上述问题,提出了一种基于Preprocessing operations are combined with U-Net-Faster R-CNN(PU-Faster R-CNN)的手机屏幕缺陷检测模型;针对手机屏幕图像的特征信息隐晦的问题,提出多层特征增强模块,有效的对目标缺陷特征信息进行增强;构建多尺度特征提取网络,有效提取多尺度的缺陷特征信息;为了生成拟合性更好的Anchor box,提出了自适应区域建议网络,通过自迭代聚类算法生成尺寸更准确的Anchor box模板;实验结果表明,基于PU-Faster R-CNN的手机屏幕检测框架在手机屏幕数据集上优于主流的手机屏幕缺陷检测框架。

基于询问的集成目标攻击算法

深度神经网络已经应用于解决各种各样的问题并且在各种视觉任务实现了惊人的性能。但是,深度网络也很容易受到对抗攻击。攻击者在原始图像上加上细微人为设计的扰动,就能使深度网络做出错误的分类结果。然而,在不知道模型参数和结构的黑盒情况下,现有的大多数对抗攻击方法只能在非目标攻击方面取得不错的效果,在造成更加严重后果的目标攻击方面的成功率却很低。在目标攻击中,使用集成攻击并利用未知黑盒模型和已知白盒模型的输出衡量模型间的相似度,根据相似度动态调整白盒模型在集成攻击中的权重,提升黑盒攻击下目标攻击生成的对抗样本攻击效果。

基于深度学习的极性电子元器件目标检测与方向识别方法

极性电子元器件的类别、方向识别、定位在工业生产、焊接和检测等领域发挥着至关重要的作用.本文首先将极性电子元器件的方向识别问题转化为一个分类问题,然后,采用Faster RCNN(Region convolutional neural network)与YOLOv3方法实现了极性电子元器件的准确分类、方向识别和精准定位.实验取得良好的效果,两种算法的平均准确率(Mean average precision,mAP)分别达到97.05%、99.22%.此外,我们通过数据集目标框的长宽分布,利用K-means算法对Faster RCNN和YOLOv3的Anchor boxes进行了改进设计,使准确率分别提高了1.16%、0.1%,并提出针对大目标检测的网络结构:YOLOv3-BigObject,在提高准确率的同时,将检测单张图片的时间大幅缩减为原来检测时间的一半,并最终用焊接有元器件的电路板进行检测,得到了很好的实验结果.

基于BLSTM与方面注意力模块的情感分类方法

基于方面的情感分析已广泛应用于文本信息挖掘,但在句子情感极性模糊或包含多个不同方面情感极性时难以准确提取特征信息,削弱了情感极性分类效果。为解决该问题,提出一种结合双向长短记忆网络和方面注意力模块的情感分类方法。利用多个方面注意力模块同时对不同方面进行独立训练,使每个方面信息与注意力操作互不影响,各自进行注意力参数的学习与调整,以充分提取特定方面的隐藏信息,从而更准确地识别不同方面的情感极性。在SemEval数据集上的实验结果表明,该方法相对现有的基准情感分析方法,可有效提升分类精确率、查全率与F1值,优化情感分类效果。

面向电动汽车无线充电市场的迭代双边拍卖算法

在智能电网中,分布式能源具有灵活性,可以支持来自电动汽车的快速变化的无线充电需求。针对无线充电市场采用迭代双边拍卖算法进行电能供需匹配,分布式能源作为电能卖方,汇集商汇集电动汽车的充电需求,作为电能买方,买卖方按照自身效益最大化的原则进行出价。代理商作为拍卖师,根据出价进行电能分配和定价,可以在买卖方隐私信息未知的情况下最大化总效益。仿真结果表明,该算法可以最大化供需双方的总效益,且具有较快的收敛速度,能够保证电动汽车与分布式能源之间电能分配的高效性。

具有指定收敛速度的离散系统鲁棒跟踪数据驱动设计

本文研究了具有指定收敛速度的线性离散时间系统鲁棒跟踪设计问题。首先利用鲁棒输出调节理论描述了跟踪控制问题,再结合系统数据与强化学习实现了具有指定收敛速度的跟踪控制。学习得到的控制方案不仅保证了跟踪误差渐近收敛到零,而且具有针对不确定系统动态的鲁棒性。本文所述的指定收敛速度设计不依赖系统演化时间或精确系统模型,因此是数据驱动的。

一种基于能量预测的双簇首路由控制算法

在深入研究经典网络路由算法LEACH的基础上,提出了一种基于能量预测的双簇首(DCHBEF)路由控制算法。该算法利用改进的阈值产生式与节点剩余能量相关性并设计主、次簇首的选举和工作机制,解决了LEACH和SAHRC协议中的盲目分簇和簇内单簇首通信方式缺陷。仿真结果表明:DCHBEF算法比原有的LEACH和SAHRC算法有较好的节能性,并提高全网通信效率。

一种基于稀疏快速傅里叶变换的卫星信号捕获算法

卫星信号搜索捕获时间长短是影响GPS软件接收机的重要因素。为了更快速、准确地完成卫星信号的捕获,文中提出了一种基于稀疏快速傅里叶变换的并行捕获算法。该算法采用取模运算、余数不同的采样思想,首先对中频信号和本地码进行一次下采样来获得中频信号和本地码的一个子集,其次对多普勒频移量进行一次下采样来获得多普勒频移量的一个子集;然后在子集中进行卫星信号的并行捕获。研究结果表明,与GPS卫星信号的并行捕获算法相比,该算法有效地减少了运算量,提高了捕获性能。最后通过实验验证了该算法的正确性。

基于OAI的LTE通信平台的研究与实现

文章首先介绍基于SDR(Software Defined Radio,软件定义无线电)实现的LTE开源无线通信系统—OAI(Open AirInterface的简称),重点分析OAI的软硬件平台以及OAI连接流程,通过OAIUE OAIeNB+OAI EPC/HSS实验调试与分析,采用FDD-LTE制式,实现了从EPS到eNodeB的S1接口的互连,再通过真实无线环境到UE的上下行通信。相对于其它仿真实验,可为研究LTE和相关科研教学工作人员提供一个更加符合真实应用场景的实验平台。

基于OpenLTE的LTE系统的研究与实现

文章首先介绍了开源软件无线电系统Open LTE。重点分析Open LTE的软硬件平台,详细分析Open LTE的系统框架,对整套系统的各个功能模块进行了介绍。最后经过调试在通用软件无线电平台上成功运行,验证Open LTE实现LTE系统的可行性,能够为研究LTE和相关科研教学工作人员提供一个更加符合真实应用场景的实验验证平台。

无偏稀疏正则化的双策略结构神经网络压缩

虽然深度神经网络模型的性能十分出色,但目前网络存在规模庞大、权重冗余度高的问题。同时,现有对网络权重剪枝的正则子估测偏差大。因此,本文提出无偏稀疏正则化的双策略结构神经网络压缩。首先,本文将神经网络所连接权重视为一组,提出采用估测值偏差小的非线性拉普拉斯函数,构建组间无偏结构稀疏正则子和组内无偏结构稀疏正则子,对冗余神经元和剩余神经元的冗余权重分别进行稀疏约束,构建无偏稀疏正则化的双策略结构神经网络压缩模型。其次,针对所设计的无偏稀疏正则化的网络压缩优化难题,本文采用近端算子技术获得无偏稀疏正则子的闭式解,进而设计基于近端梯度下降法的反向传播算法,实现神经网络准确的结构压缩。最后,通过在数据集MNIST、FashionMNIST和Cifar-10进行实验验证,本文所提出的无偏稀疏正则子的双策略结构神经网络压缩不仅收敛速度快于目前主流正则子。而且在压缩率保持一致的情况下,相比已有的方法识别精度平均提升2.3%,在识别保持精度基本一致的情况下,相对已有方法平均提升11.5%的压缩率。