基于改进的Yolov5的无人机图像小目标检测

为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。

基于可解释深度卷积网络的空时自适应处理方法

在实际应用中,空时自适应处理(STAP)算法的性能受限于足够多独立同分布(IID)样本的获取。然而,目前可有效减少IID样本需求的算法仍面临一些问题。针对这些问题,该文融合数据驱动和模型驱动思想,构建了具有明确数学含义的多模块深度卷积神经网络(MDCNN),实现了小样本条件下对杂波协方差矩阵快速、准确、稳定估计。所构建MDCNN网络由映射模块、数据模块、先验模块和超参数模块组成。其中,前后端映射模块分别对应数据的预处理和后处理;单组数据模块和先验模块共同完成一次迭代优化,网络主体由多组数据模块和先验模块构成,可实现多次等效迭代优化;超参数模块则用来调整等效迭代中可训练参数。上述子模块均具有明确数学表述和物理含义,因此所构造网络具有良好的可解释性。实测数据处理结果表明,在实际非均匀杂波环境下该文所提方法杂波抑制性能优于现有典型小样本STAP方法,且运算时间较后者大幅降低。

基于图神经网络的问答系统

针对目前问答模型对文本语义理解能力不足、缺少常识性知识,且无法有效利用现存海量文本信息的现状,研究一种基于图神经网络的问答系统。通过预训练技术和图注意力算法的有效结合,融合来自常识知识库中的结构化知识,通过准确的知识推理获得对文本深层次语义的理解,最终作出正确的回答。在对话文本和抽象语义文本等数据集上进行的一系列对比实验验证了该问答系统的有效性,表明其具备在对话文本及抽象语义概念上的理解能力。

基于改进生成对抗网络的图像风格迁移算法

图像风格迁移是图像处理领域的研究热点,但目前风格迁移模型存在生成图像细节模糊、风格纹理的色彩效果较差以及模型参数过多等问题。文中提出了一种基于改进循环一致性生成对抗网络的图像风格迁移方法,通过加入Ghost卷积模块和反残差改进模块来优化生成器网络结构,以此降低模型参数量和计算成本。同时能增强网络的特征提取能力,在损失函数中加入内容风格损失项、颜色重建损失项和映射一致性损失项来改善模型的生成能力,提升生成图像质量。实验结果表明,所提改进方法具有较强的风格迁移能力,有效增强了生成图像的内容细节和风格纹理的色彩效果,显著提升了图像质量,模型性能也得到了改善。

文档上下文异构表示的句子级关系抽取方法

关系抽取是指从文本中识别2个实体的关系。现有研究利用数据分组处理取得了良好的效果,但由于组内数据之间交互较少,因此大多忽略了组内数据之间的关联。此外,部分方法定义了较多种类的标注信息,从而导致标注信息冗余。针对上述问题,提出一种文档上下文异构表示的句子级关系抽取方法。设计基于异构图网络的文档上下文信息模块,将组内数据中的词和关系建模为图上的节点,然后通过消息传递机制将组内信息进行交互,充分表征组内数据间的关联关系;设计基于异构图网络的关系信息模块用于捕捉关系信息,其与文档上下文信息模块中异构图网络参数共享,从而节约了计算资源;设计融合标记策略,引入一种逻辑上的虚拟标签减少标签种类,缓解标注信息冗余问题。实验结果表明,所构建模型在NYT和WebNLG数据集上的F1值分别为93.2%和94.7%,在复杂场景下的8个子任务中,取得了6个子任务的最优表现,验证了所提方法的有效性。

多种无人机的卷积网络识别方法

传统的无人机信号识别方法存在着识别精度不高、对复杂环境下信号的适应性差、速度慢等问题,采用基于卷积神经网络(CNN)的无人机信号自动识别方法对无人机采集信号的真实数据进行预处理,进而建立了卷积神经网络的多层模型。通过实验结果表明,在7dB时除了御2以外,所有信号的准确率都在90%以上,在10dB时,御2识别率也到达了90%。因此,使用CNN在识别6种无人机信号方面表现出了较高的准确性和鲁棒性。相比之前的识别方法,这种方法提高了识别精度、适应复杂环境下信号的能力,并加快了识别速度。

基于OPC技术的数控设备集成控制网络通信模块设计研究

传统数控设备使用的通信协议数据传输慢、成功率低,难以满足现代制造业需求。因此,提出基于过程控制中的对象链接与嵌入(OLE for Process Control,OPC)技术的数控设备集成控制网络通信模块设计。该模块选用CC2530F256通信芯片,通过低压差线性稳压器将5.0 V电源降至3.3 V,并配置符合OPC接口规范的OPC服务器,能实时分配数控设备集成控制网络通信资源。根据测试结果,通信模块的通信成功率达到100%,通信速率稳定在15~25 kB/ms,可满足数控设备集成控制网络的通信需求。

Speed-Sensorless Control Using Elman Neural Network

This paper describes a modified speed-sensorless control for induction motor (IM) based on space vector pulse width modulation and neural network. An Elman ANN method to identify the IM speed is proposed, with IM parameters employed as associated elements. The BP algorithm is used to provide an adaptive estimation of the motor speed. The effectiveness of the proposed method is verified by simulation results. The implementation on TMS320F240 fixed DSP is provided.

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature,IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network,DenseNet)对常见调制信号进行识别分类。实验结果表明:在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题,提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征;利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强,提高了截面特征的适应性和一致性;并将预处理后的特征图与经典残差网络相结合,利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力,实现了混合信号的有效识别。仿真结果表明,该方法对噪声不敏感,当信噪比不低于-2 dB时,平均识别率大于90%;且该方法对信号参数及信号间能量比变化有较好的适应能力。

复杂背景下的路面裂缝检测的关键技术

针对目前路面裂缝检测方法在复杂环境下识别率较低、鲁棒性较差的问题,提出一种改进网络CBAM-Res-GhostNet对路面裂缝实现有效分类。在卷积神经网络中引入Ghost模块和改进残差模块,加入卷积注意力,避免梯度消失和过拟合现象,实现对路面裂缝的准确判断;在此基础上,提出一种改进网络Self-Attention-UNet对路面裂缝区域进行高精度分割,引入自注意力机制增强模型裂缝特征提取能力,提高分割精度。在EdmCrack600数据集上,所提分类算法准确度达到99.13%,分割算法的精准率和F1值分别为86.85%和86.6%,相较原始方法具有更好的分类分割效果。

引入非局部模块卷积神经网络的基频提取模型

基频或基音的估计是各种语音信号处理技术的关键子问题,现有信号处理技术研究多使用数据驱动的方法,即通过卷积神经网络进行基频提取。然而,卷积神经网络中的卷积操作一次只能处理局部的音频样本点,只有在递归应用卷积操作时才能捕获全局音频样本点依赖关系,导致计算效率低与优化困难。受非局部模块在计算机视觉任务中具有较高性能的启发,提出一种具有非局部模块的卷积神经网络用于基频提取任务。非局部模块相比不断堆叠的卷积神经网络,可以直接计算两个位置之间的关系,由于其可以忽略欧氏距离,因此能够快速捕获长范围的依赖关系。对于基频估计任务,可在卷积神经网络中加入非局部模块以计算音频样本点之间的相似性,有助于捕获帧与帧和样本点与样本点之间的全局依赖关系,且非局部模块可以保持输入输出维度不变,能够快速地集成卷积神经网络。实验结果表明,该方法平均绝对误差仅为4.7,与基线模型相比,至少降低了0.7,能够获得最佳的模型性能。

基于载波调制的光纤通信网络传输质量提升方法

光纤通信网络传输信道畸变,影响了光纤通信网络传输质量,为此,提出了基于载波调制的光纤通信网络传输质量提升方法。构建光纤通信网络传输的传输大数据采集和特征分析模型,结合模糊聚类方法进行光纤通信网络输出信道的扩频处理,采用载波调制方法进行光纤通信网络的波特均衡控制,抑制光纤通信网络传输信道畸变,优化光纤通信网络传输质量。结果表明,采用该方法进行光纤通信网络传输精度可达96.2%,网络信道均衡性较好,输出误码率较低,在16 dB和13 dB时可达最低误码率,有效提升了光纤通信网络传输质量。

基于卷积神经网络遥感图像的荔枝花期长势评估

【目的】通过无人机获取荔枝冠层的遥感图像,评估每棵荔枝的开花率,以期为后续荔枝花期疏花保果、精准施肥施药提供决策依据。【方法】以遥感图像为研究对象,利用实例分割的方法分割每棵荔枝冠层后,结合园艺专家的综合判断,按开花率为0、10%~20%、50%~60%、80%及以上将开花率分为4类,使用ResNet、ResNeXt、ShuffleNetv2进行开花率分类比较,试验过程中发现ShuffleNetv2在识别准确率、参数量、训练和验证时间都有很大优势;在ShuffleNetv2上引入了空间注意力模块(Spatial attention module,SAM)后,增加了模型对位置信息的学习,在不显著增加参数量的情况下,提升荔枝冠层花期分类的精度。【结果】通过对多个主流深度神经网络的比较分析,ResNet50、ResNeXt50、ShuffleNetv2的分类精度分别达到85.96%、87.01%和86.84%,而改进后的ShuffleNetv2分类精度更高,达到88.60%;ResNet50、ResNeXt50、ShuffleNetv2和改进后的ShuffleNetv2对测试集单张冠层图像验证的时间分别为8.802、9.116、7.529和7.507 ms,改进后的ShuffleNetv2单张冠层图像验证时间最短。【结论】改进后的ShuffleNetv2能够挖掘学习更为细节的荔枝冠层花期信息,具有较高的识别准确率,对荔枝花期的评估有很大的优势,可为荔枝保花疏花、生产精准管控提供智能决策支持。

基于HSA注意力模块和关联规则的行人属性识别算法

针对先前研究工作对行人属性相关性分析不足和行人图像中细粒度属性特征难以捕获的问题,首先基于关联规则寻找属性之间的相关性,然后根据相关性改变网络结构,提升有较强相关性属性的准确率并嵌入改进的HSA(hierarchy split attention)注意力模块,将特征图中的潜在信息进行深度挖掘.HSA注意力模块将特征图进行分组和在子特征图之间增加通道交互操作,整合后的特征图输入挤压激励(squeeze and excitation,SE)模块中,提取图像在通道上的信息.在PA100K、Market-1501和PETA数据集上的实验结果表明,本算法的精确率、召回率、F1值与其他算法相当,但是准确率有较大提升.

音频传输中的瞬态频域扰动信号调制技术研究

音频信号传输时受到因噪声引起的瞬态频域扰动信号影响,导致整体调制效果较差。为此,文中研究具备去噪能力的音频瞬态频域扰动信号调制技术。此技术基于傅里叶变换去除音频信号传输中的噪声信息后,使用基于卷积过程神经网络的瞬态频域扰动信号识别方法,以信号识别的方式提取音频传输中的瞬态频域扰动信号。将提取到的瞬态频域扰动信号输入基于DDS的瞬态频域扰动信号调制器中,调制信号频率满足期望状态,完成瞬态频域扰动信号调制。实验结果显示:所提技术对数字电视系统传输的音频信号进行去噪、瞬态频域扰动信号识别和调制后,有效滤除了音频信号中的噪声信息,瞬态频域扰动信号识别结果准确,且具备有效调制音频传输中瞬态频域扰动信号数据传输速率的能力。

最小错误准则下多传感器信号检测与调制识别

针对多传感器分布式接收中的弱信号检测与调制识别稳健性不足的问题,提出了一种基于深度学习的联合处理算法。该方法采用分布式软信息融合处理策略,将信号检测与调制识别综合为一个多元假设检验问题,借助深度神经网络优异的函数逼近能力,在对网络结构、目标函数和网络输入输出进行分析基础上,给出了基于深度神经网络的联合后验概率求解及分类判决方法。通过仿真实验对所提方法性能进行了验证,结果表明,该方法能实现多个传感器信号有效融合,并且随着接收单元数目增加,分类准确率明显提升;与现有基于等权值合并的置信度融合方法相比,该方法性能更优,且在低信噪比、短数据和接收单元数目较多时优势体现更加明显。

基于ESP32-S的小型智能气体识别系统设计

智能气体识别系统主要包括硬件电路、用户界面、信号处理和深度神经网络模型各模块;其采用ESP32-S作为主控芯片,设计硬件电路对金属氧化物半导体气体传感器加热端电压动态调制,实验选择调制传感器温度范围为150~250℃,对应调制电压范围2.5~3.8 V;以20 Hz的频率采集热调制下的传感器特性变化曲线,通过信号传输功能传递至上位机,将所得热调制响应信号经信号处理特征提取后喂入自行搭建的I-5×5-2×2-200-200-P结构卷积神经网络训练构建模型,使用训练后深度神经网络模型前向传播实现对目标气体的快速识别检测;在静态气敏测试平台中的测试结果显示,该系统能有效实现对多种类VOC气体的识别功能,对乙醇、丙酮和异丙醇的42种测试气氛的识别准确率达到100%。

蛋白质相互作用网络功能模块检测的研究综述

蛋白质相互作用(Protein-protein interaction,PPI)网络是生命活动中一种极其重要的生物分子关系网络,利用计算方法从PPI网络中检测功能模块是目前生物信息学中一项重要的研究课题.本文首先总结了功能模块检测过程的基本流程,说明了预处理和后处理的作用;其次,提出了一种模块检测方法的分类体系,并对其中一些代表性的检测算法进行了阐述;再次,给出了模块检测常用的数据库、评价指标和相关软件工具,并通过实验对代表性算法进行了性能对比.最后,通过对该领域挑战性问题的分析预测了模块检测未来的研究方向,以期对相关研究提供一定的参考.

包络分析及其在设备故障诊断中的应用

目的 阐述包络分析方法及其在设备故障诊断中的应用及展望 .方法 归纳总结了常用包络分析方法以及基于包络的特征分析方法 ,建立了基于包络分析的故障诊断系统 .结果与结论 通过实际使用 ,对于具有调制现象和冲击现象的设备故障诊断 。