用并矢Green函数的矢量本征函数展开式模拟随钻感应测井仪器的响应

采用圆柱坐标系下完纯导电劈模型的磁流源并矢Green函数的矢量本征函数展开式计算钻铤V型槽内随钻感应测井仪器的响应.计算发现,V型槽张角的变化对电磁场不同分量的影响规律不同.若只采用传统的感应测井仪器,V型槽的张角可尽量小一些以最大限度地增加信号强度.若采用多分量感应测井仪器,需对V型槽张角的取值进行折衷考虑.由于在具有不同张角的V型槽内接收信号的强度不同,在对地层视电导率进行刻度时需根据V型槽张角确定标准值.计算还发现,电磁场不同分量对方位角的依赖程度不同,侵入带电导率对不同分量接收信号的影响程度也不同,因而不同分量接收信号的径向探测深度不同.

水稻钾离子通道基因OsKAT1.1的克隆、表达载体的构建及其电生理功能

K+通道是植物高效吸收和体内运输K+的载体,对保证植物的钾素营养和增强抗逆性具有重要意义。水稻生长在淹水环境中,其K+通道在长期适应物种立地条件的进化过程中可能形成了有别于拟南芥等模式植物的独特功能特征和作用机制。本研究克隆了一个水稻KAT型K+通道基因OsKAT1.1,并利用电生理技术探讨其电生理功能。研究结果表明,通过一系列亚克隆过程,我们成功构建了适用于双电极电压钳和膜片钳电生理研究的表达载体pCI-OsKAT1.1和pTracer-CMV3-OsKAT1.1。进一步的电生理试验结果验证了构建过程的准确性,并表明水稻OsKAT1.1是一个由膜电位控制的吸收型K+通道。

基于导频的OFDM信道估计小波核SVM算法

针对传统多径衰落下的OFDM导频信道估计性能低下,地板效应的缺陷,提出了基于导频的小波递归最小二乘支持向量机(WRLS-SVM)时变信道频率估计算法。首先讨论了小波成为核函数的条件,构造了小波核。然后将根据结构风险递归二乘最小化准则回归估计支持向量机原理,把导频训练序列映射到高维空间,并在高维空间采用结构小波核函数,达到了将低维空间的非线性估计转化为高维空间的线性估计的目的。仿真结果表明,在快衰落信道条件下,小波递归最小二乘支持向量机导频信道估计方法可以获得较好误码性能。该方法优于传统的信道插值方法。

基于信道相关统计及有限反馈的多基站协作波束成形

为减少多基站协作波束成形系统中基站间的信息交换量和用户信道信息反馈量,提出一种基站联合利用有限反馈信道参数和信道空间相关矩阵估计信道矢量函数的方法;基于所估计的信道矢量函数,提出一种多基站协作扩展迫零波束成形算法。相比已有的多基站协作波束成形方案,所提算法能在反馈/回程开销和系统性能之间取得更合理的折中,计算仿真验证了所提算法的有效性。

最小二乘支持向量机在信道均衡中的应用

为抵消信道时变多径传播特性引起的码间干扰、准确地识别数字通信系统中的发送信号,满足信道均衡的实时性要求,采用最小二乘支持向量机回归算法对信道进行均衡。首先,分析了最小二乘支持向量机算法应用于信道均衡的机理,与传统的信道均衡方法相比,该算法无需对信道进行估计可直接得到均衡器的参数。其次,与ε-支持向量机算法进行比较,最小二乘支持向量机均衡性能不减,时间复杂度大大降低,可以更好的满足信道更新的实时性要求。同时探讨了2种改善低信噪比下信道均衡性能的方法。结果表明:对于信道环境复杂的通信系统,利用最小二乘支持向量机的非线性均衡速度快、效果良好。在低信噪比情况下,可以通过增加训练序列长度和利用非线性核函数来改善信道均衡的性能。

基于高斯混合模型的语音带宽扩展算法的研究

为了降低高带谱失真,研究了带宽扩展算法中特征参数与高带谱包络的互信息和高带谱失真之间的函数关系,并在此基础上提出了一种扩展高斯混合模型带宽扩展算法。首先,算法选择与高带谱包络互信息大的参数构成特征矢量,并根据高斯混合模型计算特征矢量与高带谱包络的联合概率密度。其次,采用Expectation-Maximization(EM)算法估计高斯分量模型参数并计算后验概率。最后,通过后验概率估计高带谱包络。实验结果表明,与传统的高斯混合模型带宽扩展算法相比,本文算法可降低0.3 dB的高带平均谱失真,将谱失真大于10dB的语音帧减少了50%以上。

基于改进的卷积神经网络光学薄膜缺陷识别

为对光学薄膜缺陷图像进行准确识别分类,提出一种基于改进的卷积神经网络光学薄膜缺陷图像识别方法。为突出输入图像中的缺陷信息,采用改进的LBP算法对图像进行预处理。从三个方面对传统的卷积神经网络进行改进:为了解决单通道卷积神经网络对图像特征提取不充分的问题,构建双通道卷积神经网络;改进传统的ReLU激活函数,避免模型出现欠拟合现象;使用支持向量机(SVM)代替Softmax分类器,提高计算效率和准确率。光学薄膜缺陷图像仿真识别实验表明,所提方法分类平均准确率高达93.2%,训练时间为964 s,充分验证了所提方法的鲁棒性和有效性。

基于改进卷积神经网络的混凝土桥梁裂缝检测

为快速准确地检测出混凝土桥梁上的裂缝,提出一种基于改进卷积神经网络的混凝土桥梁裂缝图像识别方法。为提高图像质量,先采用熵阈值法处理图像,后从3个方面对传统的卷积神经网络进行改进:设计双通道结构的卷积神经网络,充分提取图像特征;改进的传统的Relu激活函数,避免模型欠拟合;使用支持向量机(SVM)替代Softmax分类器,提高计算效率。桥梁裂缝图像识别实验表明,改进后的卷积神经网络对桥梁裂缝识别率显著提高,平均识别率高达96.26%,训练时间632s,可运用于实际桥梁修复检测中。