一种用于分析MCS-51目标码堆栈深度的方法

在嵌入式软件中,针对目标码的堆栈分析是堆栈检查的常用手段.提出了一种用于MCS-51系列处理器目标码的堆栈深度分析方法,该方法可分析最坏情况下的堆栈深度,并考虑了不同优先级下中断服务程序对堆栈的影响.利用该方法可开发出分析MCS-51目标码的堆栈分析工具,其分析结果对堆栈安全检查和优化具有参考意义.

深度堆栈自编码网络在船舶重量估算中的应用

传统的船舶重量估算方法多数存在误差大、成本高等问题。为此,提出一种基于深度学习的船舶重量估算算法。利用多层神经网络逐层无监督学习训练初始化参数,通过反向梯度下降的方式微调参数。运用深度堆栈自编码网络挖掘深层次的数据特征,并在ShipWE自建数据库上进行分析。实验结果表明,与传统吃水估算方法相比,该算法具有更强的稳定性和更高的准确性,与BP神经网络算法和径向基函数神经网络算法相比,该算法的精度更高,能有效解决船舶估算可信度低的问题。

基于深度堆栈自编码网络的江苏省本科教育质量综合评价

针对高等院校教育质量的评估问题,本文选出本科院校数量、招生人数、师资队伍与结构、生师比、专业建设与教学改革、科研投入与产出、双一流学科建设等9个指标,通过建立合理的显性、隐性指标,运用熵权法对地级市划分等级,对等级采取深度堆栈自编码网络方法深入的研究了江苏省高校本科教学质量评估的问题。

应用EDAC容错技术的星载软件堆栈溢出实时检测方法

针对常见的星载软件堆栈溢出问题,提出了一种应用错误监测与纠正(EDAC)容错技术的堆栈溢出实时检测方法。以采用BM3803处理器的星载软件为例,通过处理器提供的内存造错和EDAC机制,对软件堆栈设置雷区和隔离区,通过陷阱程序感知堆栈生长过程,记录堆栈使用深度,并实时检测堆栈溢出。对核心模块的性能测试及堆栈检测实例验证表明:该方法实现简单,对软件性能几乎没有影响,使软件可以在线实时检测堆栈使用深度。软件在堆栈溢出时仍能自主可控,避免"跑飞"崩溃,大大提高其可靠性。

基于深度自编码网络的高光谱影像解混研究

高分系列卫星的发射和无人机高光谱技术的发展,高光谱可用数据进一步扩展。为了提升高光谱数据的精细利用价值,高光谱影像混合像元解混成为当前至关重要的任务。随着人工智能技术的快速发展,深度学习理论被引入遥感图像处理领域。自编码网络具有较强的特征提取能力,已经开始应用于高光谱影像解混方面。以自编码网络为基础对其结构进行改进,提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。该网络包含两个部分:端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。首先,通过添加批标准化处理、稀疏约束、“和为一”约束以及删除网络偏置项构建EDSAE网络,开展非监督训练进行高光谱影像端元识别。其次,将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强,生成多元混合的带有丰度标签的模拟高光谱数据集。最后,在堆栈自编码网络基础上,设置最后一层自编码器的激活函数为Softmax函数,构建监督训练网络ADSAE,把模拟数据集作为训练数据,高光谱影像作为测试数据,求取真实高光谱影像的丰度矩阵。对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验,基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。结果表明:对3组真实的高光谱影像开展解混,DSAE方法在端元提取方面相比于其他5种方法,具有最优精度;在丰度求解方面,基于HAPKE模型生成的模拟数据集,利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵,相比于LINEAR模型和FCLS方法,均具有最优的丰度反演结果。DSAE方法具有较好的稳定性和鲁棒性,为高光谱影像定量研究提供了新的思路。

基于主动深度学习的高光谱影像分类

针对当前高光谱遥感影像分类人工标注样本费时费力,大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题,提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维,在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后,通过稀疏自编码器得到原始数据的稀疏特征表达,并通过逐层无监督学习稀疏自编码器构建深度神经网络,输出原始数据的深度特征,将其连接到softmax分类器,利用少量标记样本以监督学习的方式完成模型的精调。最后,利用主动学习算法选择最不确定性样本对其进行标注,并加入至训练样本以提高分类器的分类效果。分别对Pavia U影像和Pavia C影像进行分类实验的结果表明,该方法在少量标记样本情况下,相对于传统方法能有效地提高分类精度。

基于遗传算法的嵌入式软件WCSD检测方法

在资源受限的嵌入式系统中,为了降低嵌入式软件最大堆栈深度(Worst-Case-StackDepth,WCSD)的检测误差,从而确定系统内存容量,通过详细分析堆栈使用原因和中断类型,建立中断调度模型,提出基于遗传算法的WCSD动态检测方法以更加准确地指导嵌入式硬件设计和软件开发。基于嵌入式软件全数字仿真平台完成实验,对该模型和方法加以验证。实验结果表明该方法可测得较准确的软件堆栈深度上限,有助于降低内存开销和提高系统的可信度。

WCSD动态检测方法

嵌入式软件最大堆栈深度(worst-case-stack depth,WCSD)是指导硬件设计和软件开发的重要指标,然而它的测量却极其困难。通过详细分析堆栈使用原因及其相互关系,建立多层中断叠加模型并提出一种WCSD动态检测方法,以检测嵌入式软件堆栈深度上限。同时,基于嵌入式软件全数字仿真平台完成实验以验证该模型和方法的可行性。实验结果表明,该模型和方法可测得较准确的WCSD结果,有助于在降低内存开销,保证嵌入式系统的堆栈安全以及提高嵌入式软件的可靠性。

基于多级DSN的船舶柴油机故障在线诊断

针对柴油机多工况下燃烧室部件故障难以辨别的问题,基于Z6170ZICZ-1型柴油机的缸盖振动信号,提出了一种多级深度堆栈网络(DSN)故障诊断算法,并进行了在线验证.首先,分析了DSN的构建流程,结合多级诊断的思想,构建了多级DSN故障诊断模型来对多种工况下不同的故障和故障程度进行识别,并且基于准确率完成了DSN算法与经典的极限学习机(ELM)和支持向量机(SVM)算法对比,结果表明:构建多级DSN诊断模型具有更好的分类效果.最后,基于dSPACE平台设计了船舶柴油机燃烧室部件在线故障诊断系统,验证故障诊断算法的可行性和有效性.

基于GLCM和Gabor纹理特征的手势识别算法

针对手势灰度图像的纹理特征富含手势类别信息的特点,提出一种基于融合GLCM(灰度共生矩阵)和Gabor小波变换提取手势图像空、频域纹理特征的手势识别方法。构建手势灰度图像的多方向共生矩阵,并计算多方向共生矩阵的特征参数来提取手势纹理的GLCM特征;通过手势灰度图像的Gabor小波变换来提取手势纹理的Gabor特征;对所提取的两种特征进行归一化处理后串联构建手势纹理特征向量;使用基于稀疏自动编码器和softmax分类器的深度堆栈自编码网络对构建的手势纹理特征向量进行分类识别。实验表明:该方法具有较高的识别率和较好的鲁棒性,对15种手势的平均识别率达到97.4%,能够满足人机交互对手势识别的要求。

基于LINCS-L1000扰动信号通过SAE-XGBoost算法预测药物诱导下的细胞活性

不同细胞在特定化合物作用下具有不同的扰动信号,基于这些扰动信号预测细胞的活性和挖掘隐藏在表型之下的药物敏感性非常重要。文中开发了一种基于LINCS-L1000扰动信号的SAE-XGBoost细胞活性预测算法。通过对LINCS-L1000、Achilles和CTRP三大数据集匹配和筛选,采用堆栈式深度自动编码器对基因信息进行特征提取,结合RW-XGBoost算法预测药物诱导下的细胞活性,进而在NCI60和CCLE数据集上完成药物敏感性推断。与其他方法相比,该模型取得了良好效果,皮尔逊相关系数为0.85,并进行独立集验证,对应皮尔逊相关系数为0.68。结果表明,所提出的方法有助于发现新型有效的抗癌药物,为精准医疗提供帮助。