二进制张量分解法简化神经网络推理计算

针对现有的简化神经网络推理计算方法面临模型精度下滑及重训练带来的额外开销问题,本文提出一种在比特级减少乘积累加运算(MAC)的乘加操作数的二进制张量分解法(IBTF)。该方法利用张量分解消除多个卷积核之间由于权值比特位重复导致的计算重复,并保持计算结果不变,即无需重训练。在比特级简化模型计算的IBTF算法与量化、稀疏等数据级简化方法正交,即可以协同使用,从而进一步减少MAC计算量。实验结果表明,在多个主流神经网络中,相较于量化与稀疏后的模型,IBTF进一步使计算量减少了3.32倍,并且IBTF在不同卷积核大小、不同权值位宽及不同稀疏率的卷积运算中都发挥了显著的效果。

二进制约束下的NMF方法及其应用

在普通非负矩阵分解(NMF)方法基础上提出了3个二进制约束非负矩阵分解(3bNMF)算法,对分解矩阵和恢复矩阵元素增加了二进制数的约束,从而更适合对二进制数据进行处理.分别给出了3bNMF算法在数字矩阵分解和有噪声情况下汉字偏旁部首提取中的应用实例,并与普通NMF方法所处理的结果进行了比较.

SOQPSK-TG信号的EM半盲载波频偏估计

针对成形偏移四相相移键控-TG(Shaped Offset Quadrature Phase Shift Keying-Telemetry Group version,SOQPSK-TG)信号在训练序列长度受限时频偏估计精度较低的问题,利用双二进制分解(Doubinary Decomposition,DBD)原理提出基于期望最大化(Expectation Maximization,EM)的SOQPSK半盲载波频偏(Carrier Frequency Offset,CFO)估计算法。为了确保EM算法收敛到预期性能范围,使用基于非线性四次方码元定时估计算法的非数据辅助频偏估计方法优化了EM算法初始点选择。仿真实验结果表明,该算法相比于使用训练序列进行数据辅助估计的方法,在不增加辅助数据数量的前提下能够进一步提升CFO估计的精度,并在较高信噪比下拥有接近序列总长度所对应的克拉美罗界(Cramér-Rao Bound,CRB)的优秀性能。

基于二进制树分解的动态防碰撞算法

针对现有的无线射频识别系统(RFID)二进制树防碰撞算法所需的搜索时隙较多,系统识别速率较低,提出了一种基于二进制树分解的动态防碰撞算法。该算法利用标签EPC的唯一性,对发生碰撞的比特位进行深度分解,根据碰撞位调整搜索状态,从而进一步减少搜索时隙数并提高了系统的呑吐量。通过对算法的分析和仿真结果表明:基于二进制树分解的动态防碰撞算法相对于动态二进制搜索算法有明显的优势。

L^1空间上的Fourier乘子判定定理

本文利用Torchinsky分解和一种全新的二进制分解得到一个有用的L1空间上的Fourier乘子判定定理。

一种基于非对称逆布局模型的彩色图像表示方法

借助于Packing问题的思想,提出了一种基于非对称逆布局的模式表示模型(non-symmetry and anti- packing pattern representation model,简称NAM)的彩色图像表示方法.通过描述NAM和彩色图像的二进制位平面分解(binary-bit plane decornposition,简称BPD)方法,给出了一种全新的基于NAM的彩色图像表示算法,并对算法的总数据量进行了分析.理论分析和实验结果均表明,与流行的基于分层结构的线性四元树的彩色图像表示方法相比,基于NAM的表示方法能够更有效地减少数据存储空间,是彩色图像模式表示的一种良好方法.这种方法可以应用于彩色图像模式表示的各个方面,在降低存储空间、提高传榆速度、加快处理过程、模式匹配等方面具有良好的理论参考意义和实际应用价值.

L^1空间上的Fourier乘子判定定理

本文利用Torchinsky分解和一种全新的二进制分解得到一个极为有用的L1空间上的Fourier乘子的判定定理.该定理较之经典的判定定理适用于更为广泛的一类乘子.

L^p Estimates for Singular Radon Transforms with Rough Kernels

The purpose of this paper is to study the mapping properties of the singular Radon transforms with rough kernels. Such singular integral operators are proved to be bounded on Lebesgue spaces.