基于相位变换和GhostNet-门控循环单元的自动调制识别方法

针对信号调制方式低信噪比条件下识别准确率不高的问题,提出了一种由相位变换、GhostNet、压缩与激励网络(Squeeze and Excitation Network,SENet)、门控循环单元(Gated Recurrent Unit,GRU)和深度神经网络组成的模型,用于自动调制识别接收信号。首先,采用基准数据集RML2016.10a和RML2016.10b同相正交数据作为模型输入;其次,构建识别模型,其中,相位变换用于降低相位偏移对调制识别的影响,GhostNet和GRU分别用于提取调制信号的空间特征和时间特征,SENet用于对特征图权重进行调整;而后,通过深度神经网络进行分类;最后,对所提模型进行了训练及测试。实验结果表明:与现有模型CGDNet、CLDNN、IC-AMCNet、MCLDNN和LSTM相比,所提出模型显著降低了参数量,有效提升了低信噪比条件下的识别准确率,平均识别准确率分别达到62.30%和64.45%。

基于增强注意力门控U-Net的建筑物提取研究

针对经典深度学习语义分割网络对建筑物提取存在精度较低、边界模糊和小目标识别困难的问题,本文提出一种增强注意力门控的U型网络(advanced attention gate U-Net,AA_UNet)用于改善建筑物提取的效果,该网络改进经典U-Net的结构,使用VGG16作为主干特征提取网络、注意力门控模块参与跳跃连接、双线性插值法代替反卷积进行上采样.实验采用武汉大学建筑物数据集(WHU building dataset,WHD)对比提出的网络与部分经典语义分割网络的提取效果,并探究网络改进的各个模块对提取效果的影响.结果显示:该网络对建筑物提取的总精度、交并比、查准率、召回率和F1分数分别为98.78%、89.71%、93.30%、95.89%、94.58%,各项评价指标均优于经典语义分割网络,且改进的各个模块有效提高了提取精度,改善了建筑物轮廓不清晰和小目标建筑物破碎的问题,可用于精准提取高分辨率遥感影像中的建筑物信息,对城市规划、土地利用、生产生活、军事侦察等具有指导意义.

基于Attention Gates和R2U-Net的遥感影像建筑物提取方法

针对深度语义分割算法提取遥感影像建筑物时易产生建筑物边缘分割不明确、提取精度不高等问题,该文提出一种基于Attention Gates(AG)和R2U-Net的遥感影像建筑物提取方法(AGR2U-Net)。该方法将R2U-Net模型每一层输出的特征图与其相邻层的特征图输入至改进的AG模型中,得到与输入影像大小一致的特征图,以提高R2U-Net模型的多尺度泛化能力,从而增强该模型对建筑物特征的响应及灵敏度,最终提升遥感影像建筑物提取精度。利用WHU卫星影像数据集和WHU航空影像数据集,对该方法与U-Net、Improved U-Net、SegU-Net和R2U-Net方法进行对比实验验证,结果表明,该方法的交并比、像素准确率和召回率均最高,且提取的建筑物边缘更准确、内部信息更完整、误检和漏检情况更少。

PRA-UNet3+:全尺度跳跃连接CT肝脏图像分割模型

器官损伤死亡率高,严重威胁着人类的生命安全。人体内脏形态多样,解剖结构复杂,因此器官图像的准确分割有助于医生进行诊断。医学图像对高精度分割模型的需求很大,然而,大多数医学图像分割模型都是直接从一般的图像分割模型迁移过来的,常常忽略了浅层特征信息以及边界的重要性。为解决该问题,提出使用注意力门和点采样方法获得高质量分割边界的图像分割模型。在常用的肝脏医学图像数据集CHAOS上对该模型进行评估,平均Dice达到0.946 7,平均IoU达到0.962 3,平均F1 Score达到0.935 1,证明该模型可同时学习图像细节特征和全局结构特征,能更好地对肝脏图像进行分割。

融合多尺度门控卷积和窗口注意力的结肠息肉分割

结肠息肉的准确分割对于切除异常组织和降低息肉转换为结肠癌的风险具有重要意义.目前的结肠息肉分割模型在对息肉图像进行分割时存在着较高的误判率和分割精度较低的问题.为了实现对息肉图像的精准分割,提出了一种融合多尺度门控卷积和窗口注意力的结肠息肉分割模型(MGW-Net).首先,设计一种改进的多尺度门控卷积块(MGCM)取代U-Net的卷积块,来实现对结肠息肉图像信息的充分提取.其次,为了减少跳跃连接处的信息损失并充分利用网络底部信息,结合改进的空洞卷积和混合增强的残差窗口注意力构建了多信息融合增强模块(MFEM),以优化跳跃连接处的特征融合.在CVC-ClinicDB和Kvasir-SEG数据集上的实验结果表明,MGW-Net的相似性系数分别为93.8%和92.7%,平均交并比分别为89.4%和87.9%,在CVC-ColonDB、CVC-300和ETIS数据集上的实验结果表明其拥有较强的泛化性能,从而验证了MGW-Net可以有效地提高对结肠息肉分割的准确性和鲁棒性.

基于CNN-GRU的阻拦装置受阻对象撞索速度软测量

阻拦装置作为受阻对象安全拦停的重要保障,无法实时获取受阻对象撞索速度。针对该问题,提出了新的CNN-GRU软测量模型。首先,针对阻拦装置的数据特点将序列扩充为三维矩阵;然后,将通道注意力机制与残差模块结合,用于挖掘序列特征、降低数据维度;最后,将提取的特征重新转换为序列并通过门控循环单元推理受阻对象撞索速度。实验证明,该方法在阻拦装置受阻对象撞索速度软测量中具有较高的准确率。

基于残差注意力U-Net结构的端到端歌声分离模型

歌声分离是音乐信息检索领域最具挑战的任务之一,本文对基于Wave-U-Net的歌声分离模型进行了改进以增强其性能。首先,在Wave-U-Net的编码和解码块中设计并引入了残差单元以增强其特征提取的有效性和训练效率;然后,在Wave-U-Net的跳跃连接部分设计并引入了注意力门控机制以减少从编码块对应层提取的特征和来自解码块上一层特征之间的语义鸿沟。在MUSDB18数据集上的实验结果表明:本文提出的RA-WaveUNet模型在分离性能上优于传统的Wave-U-Net模型;采用残差单元和注意力门控机制均有助于提高模型的性能。

基于.NET的《中华易客》电子商务门户的设计

基于ASP.NET技术与SQL Server2000数据库,开发了三层架构的电子商务门户.分析了ASP.NET技术的特点,同时对系统的功能模块设计及其实现过程进行了详细的介绍.

基于RAU-net的视网膜OCT图像快速自动分层研究

利用计算机图像处理技术自动分割视网膜图像,获得各层的厚度,可对多种视网膜疾病进行直观评估.为了快速准确地对OCT视网膜图像进行自动分层,提出一种结合RAU-net和图像搜索的视网膜图像自动分层方法.该方法在U-net的基础上加入了残差块结构和注意力门结构,残差块结构在构建更深的网络、获取高级特征的同时,有效避免了梯度消失和梯度爆炸问题,注意力门结构突出了模型对视网膜图像重要特征的学习.由模型预测后得到的分割结果获取9条边界的感兴趣区域,然后运用图像搜索对分层图像进行边界优化,得到精确的视网膜分层图像.结果表明:该RAU-net算法与手动分层的误差约为1像素,且完成1帧OCT视网膜图像的分层只需要4 s.通过RAU-net与图像搜索相结合的方法为视网膜疾病的临床诊断和治疗提供了快速准确的定量分析方法.

融合残差Inception与双向ConvGRU的皮肤病变智能分割

由于皮肤病病灶的形状、颜色以及纹理差异极大,且边界不明确,使得传统深度学习方法很难对其进行准确分割。因此本文提出了一种融合残差Inception与双向卷积门控循环单元(Convolutional gated recurrent unit,ConvGRU)的皮肤病变智能分割模型。首先设计了一种云边协同的皮肤病变智能分割服务网络模型,通过该网络模型,用户可以获得快速、准确的分割服务;其次,构建了一种新的皮肤病变智能分割模型,通过融合残差Inception与双向ConvGRU,该模型能融合不同尺度特征,提高模型特征提取能力,并能充分利用底层特征与语义特征之间的关系,捕获更丰富的全局上下文信息,取得更好的分割性能;最后,在ISIC 2018数据集上的实验结果表明,所提出的智能分割模型与近期提出的几种U-Net扩展模型相比,取得了更高的准确率与Jaccard系数。

基于注意力机制和空洞卷积的瞳孔定位算法

瞳孔定位在人机交互中起着关键性作用,然而由于反射、眨眼和睫毛遮挡等噪声以及瞳孔位置不居中、运动导致模糊等问题,使得瞳孔中心定位的准确率下降、鲁棒性减弱,从而导致精确地定位瞳孔仍存在巨大困难。为此,本文提出一种基于注意力机制和空洞卷积的瞳孔检测定位算法。该算法以U-Net的编码-解码结构为基础,编码部分采用VGG16并引入空洞卷积,以充分地提取特征,解码部分加入Attention Gate,使得模型具有更好的鲁棒性。然后,使用最小二乘法对网络输出的瞳孔分割图进行拟合,最终根据拟合图像获取瞳孔中心坐标。本算法使用ExCuSe公开的24个数据集进行验证,实验表明该算法可以准确的定位瞳孔位置,平均检测率可达到92.6%。

基于改进自编码模型的工业时序数据异常检测

针对传统异常检测模型在处理工业多维时序数据时特征提取不充分、抗干扰能力弱等问题,提出一种改进的自编码模型,有效结合了门控循环网络的时序信息记忆能力和收缩自编码器的鲁棒特征提取能力,能够同时捕获不同特征变量之间的非线性相关性和单个变量自身的时序相关性。采取半监督学习异常检测方法,使用正常数据训练模型收敛,并根据待检测数据输入模型后计算出的异常得分来判定异常样本。基于真实的工业传感器数据进行实验后的结果表明,该方法有效提高了异常检测的准确度和可靠性。

MLDet:基于结构特征和XGBoost的硬件木马检测方法

随着集成电路(Integrated Circuit,IC)的规模日益庞大,IC的生产和制造全球化,不受信任的第三方很容易将硬件木马插入知识产权内核,从而威胁IC的安全。因此,有必要研究硬件木马的检测方法,特别是IC设计阶段的硬件木马检测。提出一种名为MLDet的方法,提取门级网表结构特征;用XGBoost算法来检测硬件木马。MLDet从已知网表中提取木马特征值,并使用XGBoost算法训练;将训练好的检测模型用于未知网表的检测;成功将网表中的节点分类为普通节点和木马节点。实验结果表明,MLDet获得了85.60%的平均硬件木马检测率,部分基准电路的平均硬件木马检测率达到100%。

面向分布式卷积神经训练网络的FPGA加速器设计

为提高卷积神经网络(CNN)训练速度,设计一种基于FPGA的分布式CNN加速器。采用数据并行分布式架构,通过多FPGA并行计算提高CNN的训练速度。分析各层数据依赖性,调整矩阵卷积运算顺序,实现层内和层间的细粒度流水线。针对卷积运算消耗过多存储资源,设计一种数据拼接存储结构,有效节省存储资源。为实现多FPGA互联,采用40G光纤传输数据,同时优化Ring-Allreduce传输模式,减少板间数据传递的延迟。针对Mnist数据集,选用16 bit定点量化,不同层间选用不同量化方案,减小梯度下降误差。测试表明,基于Intel Arria 10硬件平台,设计的2 FPGA和3 FPGA架构相对于单FPGA可分别实现1.99、2.98的加速比。

新型架构下的密集网络在肺部影像的分割研究

在医学图像分割领域中,肺实质的分割对肺结节检测有着至关重要的作用,在考虑到模型参数量的情况下追求更高的精度一直是研究热点之一;为此提出了新的三层密集卷积神经网络DA-UNet,首先用密集卷积模块代替在传统U-Net使用的普通3×3卷积,利用密集卷积特征重用特点,加强了网络的特征提取能力。再者在没有太过影响分割网络精确度的前提下加以修剪,减少了上下采样次数,减少不必要的算力消耗。此外,使用了注意力门(Attention gate),加强了跳跃连接中高底层信息融合效果,并且使用空洞空间金字塔池化(Atrous spatial pyramid pooling),模型加入了不同尺度的特征信息,进一步加强图像中任务相关的区域特征,有效减小噪声干扰,提高网络分割精度。通过实验证明:三次上下采样改进模型的参数量只有传统四次上下采样的75.2%左右,但是分割效果没有太大的影响,用LUNA竞赛肺部影像数据集进行了分割验证,实验结果在测试集上的准确率达到了0.991,而IoU则为0.961,比起传统U-Net的评价指标IoU提升了2.9%;在泛化实验的肝脏图像中,DA-UNet的IoU稳定在0.929左右,而U-Net稳定在0.838左右。这些结果证明了改进的U-Net有更佳的分割效果。

嵌入式无线收发智能家居网关设计与实现

目的将基于蓝牙技术的个人区域网与基于BACnet的小区内部局域网相连接,使家庭中的各种设备通过安全的无线链路连接到CPU上,进行个人控制与小区内部物业管理系统的信息交换.方法建构系统组网模型,采用精简的TCP/IP协议包,在BACnet协议栈与蓝牙协议栈之间建立一条无缝链路.研究其算法实现步骤、协议软件连接以及系统硬件构成.结果利用无线网关和外部网络连接构成的智能化家居网络,可提供集中和异地的数据通信,使信息在家庭内部和外部之间充分流通和共享,避免了传统网络在家庭中错综复杂的布线方式,解决了蓝牙技术不能远距离传输的问题.结论基于蓝牙技术的个人区域网使智能家居网络系统具有更加广泛的灵活性和可扩展性,适用于住宅小区网络系统应用.

基于有色Petri网的逻辑电路仿真模型设计

提出了一种受控有色Petri网(CCPN)模型.该模型在有色Petri网的基础上对逻辑电路的拓扑结构和动态运行过程进行了形式化描述,给出了逻辑电路与CCPN的映射关系,引入了受控门函数集,并按照充分考虑逻辑电路特殊性和稳定性的激发规则,加入了有效的约定,较好地解决了逻辑电路仿真过程中电路拓扑结构难以有效描述的问题.在此基础上,给出了信号在模型中动态传递的描述性算法及其实现方法,并举例说明了基于该模型的逻辑电路仿真过程.

含逻辑门的雷达组网作战效能评估研究

为了充分考虑雷达组网系统中若干子层重要指标对整体效能的影响,更加贴切地反映装备的真实效能,将"逻辑门"的思想应用到雷达组网作战效能指标的聚合中,构建了基于"逻辑门"的雷达组网作战效能评估指标层次体系;并应用模糊综合评价法,对系统中主要指标进行评估,解决了类似于"一票否决"式指标对雷达组网系统整体效能的影响问题,为合理评价该系统效能提供了一种方法。

两级解调FBG传感复用技术

采用两级解调的方法,优化了WDM/SDM光纤光栅传感复用系统的解调规则,探索了采用双解调系统,同时对光纤光栅传感阵列进行解调以提高传感系统解调速度的方法.在系统设计中采用PetriNet理论来解决多解调系统协调运行的问题·通过构建双解调四通道的布喇格光纤光栅应变传感复用系统验证了多解调复用技术的可行性,采用排队论理论,模拟仿真了双解调系统的性能·理论分析和实验表明双解调系统的平均等待时间比传统的解调方法的平均等待时间低一个数量级·

基于OPC服务网关的企业信息网与控制网的融合

企业信息网与控制网之间的瓶颈是电厂控制、管理的一个重要问题。基于OPC技术的服务网关能够消除这一瓶颈,OPC作为一种开放的工业标准,具有实时数据传递、负荷监测等功能,能够有效地标准化、规范化电厂网络系统中的数据通信,实现企业信息网与控制网的融合。该文在分析了企业信息网与控制网的不同特点的基础上,提出了一个基于OPC服务网关的解决方案,并且给出了实现的关键技术,解决了可靠性、实时性、可用性和NAT地址转换等问题。