利用深层卷积网络自适应增强学习的水声目标线谱提取方法

提出了一种使用自适应增强学习的深层卷积神经网络方法对水声目标线谱进行提取。该方法利用构造的多尺度ConvNeXt算子建立滑动窗深层卷积神经网络模型(SwDCNN),设计涵盖损失函数、学习率更新和模型迭代优化的自适应增强学习准则并用于模型训练。仿真和海试数据验证结果表明,所提方法有以下优点:(1)卷积算子和模型结构参数按线谱提取需求配置,可以增强LOFAR谱图特征高性能多分辨力挖掘能力;(2)大规模数据下的模型训练可实现渐进式精确拟合,有助于提升模型收敛效果;(3)模型可有效提取低信噪比、中断、弯曲漂移、粗细不均、邻近成簇、密集分布等复杂情况下的线谱,在查全率、查准率、虚警率、线谱位置精度(LLA)和线谱幅值精度(LAA)等指标上均优于文中其他深度神经网络方法;(4)和传统及其他文中所用的深度神经网络方法相比,线谱最小可检测信噪比分别降低超过5 dB和2 dB,实际复杂场景线谱提取能力更强,综合效果更好。

人工智能技术的水声探测应用

人工智能技术是当前信息技术领域的研究热点,以深度学习、强化学习等方法为代表的新一代人工智能技术对众多行业发展具有重要影响,形成了整个人类社会进步的重要驱动力。文章在总结当前主要人工智能方法的基础上,针对目标检测、水下目标识别、目标自动跟踪、无源目标定位、声呐效能评估与工作参数推荐、人机交互、水声数据仿真、集群协同等水声探测重点应用方向,讨论了人工智能方法运用机制,利用部分典型场景的智能化处理结果验证了可行性,可以为水声探测的智能化技术研究与应用提供基础。

人工智能在超声医学诊断方面的研究进展

超声是一种安全、无创的成像方式,随着超声成像技术不断发展,超声诊断成为各个临床领域的重要成像技术之一。同时,近年来数字医疗蓬勃发展,人工智能擅长自动识别复杂模式并为成像数据提供定量评估。传统的超声技术与人工智能结合正在成为研究热点。本文总结了人工智能(尤其是深度学习技术)在超声领域的应用现状及研究进展,并展望了未来的发展前景及挑战。

做“数独游戏”心得

我喜爱数学题,更喜爱有趣的数学题。当我拿到《小作家选刊·小学版》第5期时,我很高兴,连忙翻找里面有趣的内容。我发现了“数独游戏”几个字,很新颖,便异常兴奋地做起来。它深深地吸引了我,连妈妈叫我都没听见。