梯度映射耦合频域变换的OFDM信号精确接收算法

针对现有的正交频分享用(OFDM)网络信号接收过程中存在带外杂波扩散严重、信号投影难以匹配以及误码率较高等难题,提出了基于梯度映射机制的子载波OFDM网络信号精确接收算法。首先,通过快速傅里叶变换及其逆变换,并联合插值技术,构建最小均方差预估抑制机制,并采用带通滤波技术对带外杂波进行全频域消除;随后,基于实部及虚部信号的数字特征,构建梯度映射机制,对信号投影点与投影象限进行匹配,降低OFDM网络误码率。仿真实验表明,与当前幅度滤波限制算法(amplitude filter algorithm,AF)、中波带频率抑制算法(wave band frequency suppression algorithm,WBFS)相比,所提算法具有更低的误码率,分别降低了2个、3个量级,以及更高的信号增益强度,在莱斯信道条件下,分别提高了20.5%、41.63%,且功率谱性能与理想状态下的OFDM信号最为接近。所提算法具有理想的信号接收精度与抗衰落性能,具有一定的实际部署价值。

基于强度-梯度映射与多方向中值滤波的红外弱小目标检测算法

为了能够在复杂环境下准确定位出弱小目标,依据目标的高斯形状特性,设计了强度-梯度映射耦合多方向中值滤波的红外弱小目标检测算法。首先,根据红外图像在4个不同方向的强度均值,对经典的中值滤波进行改进,以有效抑制复杂背景中的噪声。再基于弱小目标的中心像素,获取整个红外图像的强度信息。将红外图像沿着半径方向分割为4个子块,并建立每个子块的极坐标系统,以计算其对应的梯度值。依据最大与最小梯度值的比率,得到整个红外图像的梯度信息。再将强度与梯度信息实施融合,得到背景抑制图像,以增强红外弱小目标。最后,利用强度-梯度映射中的非零像素均值来计算阈值,对背景抑制图像实施分割,准确定位弱小目标。测试数据显示,与已有的红外弱小目标检测方案相比,所提算法具备更高的检测准确性,可完整地识别出目标,呈现出更为理想的ROC(receiver operating characteristic)曲线。

基于灰度梯度映射函数的舰船热尾流红外图像分割

文章针对海面情况复杂,舰船热尾流红外图像受干扰大,目标区域不易辨别的特点,通过基于灰度梯度映射(GGM)函数的红外图像分割方法将原始图像中的目标区和背景区有效地分割开来。接着采用图像形态学中的腐蚀、膨胀和细化技术对图像进一步改善了图像质量,锐化了舰船热尾流的边缘,达到了令人满意的结果。为红外探测潜艇提供了科学的水面热轨迹情况的依据。

多核学习中基于复合梯度映射的学习算法研究

现有的多核学习算法大多假设训练样本分类完全正确,将其应用到受扰分类样本上时,由于分类存在差错,因此往往只能实现次优性能。为了解决这一问题,首先将受扰分类多核学习问题建模为随机规划问题,并得到一种极小极大表达式;然后提出基于复合梯度映射的一阶学习算法对问题进行求解。理论分析表明,该算法的收敛速度为O(1/T),大大快于传统算法的收敛速度O(1槡/T)。最后,基于五个UCI数据集的实验结果也验证了本文观点和优化算法的有效性。

灰度梯度映射函数改进的Otsu阈值法

针对目标与背景灰度分布不均匀的图像,基于集中于目标的图像阈值法思想,引入图像的灰度直方图信息,得到更为细致的阈值化准则。考虑图像的边缘信息,引入灰度梯度映射函数,提出了基于梯度的集中于目标的Otsu阈值法。大量经典图像阈值化结果表明,该方法在目标提取的完整性和边缘保留的清晰性方面,均表现出了更佳的效果。

广义梯度映射是集值A-proper映射的一致极限时的广义度

H·Amaon在[1]中研究了C^1一泛函的梯度映射为紧向量场时的拓扑度。[2]中将[1]的结果推广到局部lipschitz泛函的Clarke广义梯度映射为集值A-proper映射的情形。本文中进一步推广[2]的结果到广义梯度映射为集值A-proper映射的一致极限的情形。

基于梯度-调度映射机制的云计算网络信息流动存储算法

针对当前云计算网络信息流动存储机制普遍存在调度线程负载度高,信息冗余较大,且流动存储过程存在严重的效率底下等不足,提出了一种基于梯度-调度映射机制的云计算网络信息流动存储算法。首先使用时移序列梯度及随机分发的方式,结合流动存储中存在的传输冗余度等数字特征,实现了云计算网络信息流动存储过程中的读写分离,降低了线程冲突的概率;随后根据梯度思想,构建带宽自适应调整和带宽冗余控制机制,有效降低了数据传输时延,进一步提高了传输带宽。仿真实验证明:与当前云计算网络中常用的颗粒度混沌调度存储算法(Particle Size Chaos Scheduling Storage Algorithm,PSCS-S算法)、超粒度自适应调度存储算法(Super-granularity Adaptive Scheduling Storage Algorithm,SASS算法)相比,基于梯度-调度映射机制的云计算网络信息流动存储算法具有更高的传输带宽与更低的存储错误率,具有较高的实际应用价值。

等参梯度映射Brouwer映射度的计算

设M,N是m维定向闭流形,g:M→N是光滑映射。众所周知,g的Brouwer映射度(简称映射度),其中y是g的任一正则值。当M=N=S^(n+1)时,g的同伦类[g]∈π_(n+1)S^(n+1)≌Z完全由g的映射度确定。而讨论π_(n+1)S^(n+1)中元的调和表示是一个重要的研究课题。因此计算映射的映射度成为必要。 设g:R^(n+2)→R为k次等参多项式(定义见第1节),则Φ=(1/k)▽f为R^(n+2)→R^(n+2)的齐次映射,Φ|S^(n+1)为S^(n+1)→S^(n+1)的映射。彭家贵、唐梓洲利用活动标架法和等参超曲面的几何,根据映射度的几何定义求出了等参梯度映射Φ的映射度,从而给了球面之间新的调和映射。本文根据映射度的拓扑定义,首先研究Φ的切映射与f的Hessian之间的关系,然后用类似于文献[4]的方法对等参多项式进行分解,并求出其中某些部分的明确表达式,从而得出所有Φ的映射度。

基于全变分加权差正则的高光谱图像去噪算法

针对现有全变分模型在高光谱图像中出现的伪影、边缘结构消失等问题,文章提出一种增强型三维全变分加权差正则模型。首先,该模型并非直接将稀疏性强加于梯度映射本身,而是对梯度映射的基矩阵添加稀疏性约束。此外,与一般稀疏约束方法不同的是,为避免由l_(1)范数自身局限性带来的去噪不良影响,利用l_(1)范数与l_(2)范数的全变分加权差(简记为l_(1-2))分别对高光谱图像的空间域与光谱域施加稀疏约束。实验结果表明,该文提出的算法有效避免了伪影的产生以及图像细节丢失的问题,具有更优的去噪效果。

医学超声波图像的边界保护滤波及特征映射补偿

提出的补偿方法不依赖于对组织数据的初始化分类,而是从原始数据中抽取组织特征映射到二维可视化平面.首先对图像进行边界保护滤波,然后归纳出4种基于图像灰度信息的特征映射补偿方法.实验结果表明,通过补偿方法得到的图像可以辅助医生对病变体及其它感兴趣的区域进行定性分析,从而提高临床诊断的准确性.

基于时频Grad-CAM的调制识别网络可解释分析

针对时频深度学习调制识别方法存在可解释性差的问题,提出一种基于时频梯度加权类激活映射(GradCAM)的调制识别网络可解释框架.该框架通过时频Grad-CAM可视化深度模型中隐含层的关键特征,从视觉上解释网络隐含层提取的时频深度特征对于正确与错误识别中的作用,揭示低信噪比环境下网络性能下降的内在机理,并通过量化和排序网络中每层不同卷积核的贡献值来判断网络的冗余程度.仿真实验结果验证了基于时频Grad-CAM的调制识别网络可解释性框架的有效性;可解释分析结果表明,在低信噪比环境下,网络特征提取区域有大量噪声存在,且本文所测试的调制识别网络冗余程度较为严重.

DRSTN:深度残差软阈值化网络

在采用深度残差等神经网络模型解决图像分类任务时,特征提取过程损失的一些重要特征会影响模型的分类性能。神经网络“端到端”的学习模式带来的黑盒问题,也会限制其在诸多领域的应用和发展。另外,神经网络模型往往需要较长的训练时间。为了提高深度残差网络模型的分类效果和训练效率,引入了模型迁移方法和软阈值化方法,提出了DRSTN(Deep Residual Soft Thresholding Network)网络,并对此网络结构进行微调,生成了不同版本的DRSTN网络。DRSTN网络的性能得益于3个方面的有机整合:1)通过梯度加权类激活映射(Gradients-weighted Class Activation Mapping,Grad-CAM)方法对网络的特征提取进行可视化,根据可视化结果挑选进一步优化的模型;2)基于模型迁移,研究人员不必全新地搭建模型,可以直接在已有的模型上进行优化,能够节省大量训练时间;3)软阈值化作为非线性变换层嵌入到深度残差网络体系结构中,以消除样本中不相关的特征。实验结果表明,在相同训练条件下,DRSTN_KS(3*3)_RB(2:2:2)网络在CIFAR-10数据集上的分类精度相比SKNet-18,ResNet18和ConvNeXt_tiny网络分别提高了15.5%,8.8%和10.9%;该网络也具有一定的泛化性,在MNIST和Fashion MNIST数据集上能够达到快速的迁移效果,分类精度分别达到99.06%和93.15%。

基于深度学习的DRFM信号识别

针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处理中无法有效区分回波信号和DRFM欺骗信号以及在雷达干扰识别中基于DRFM的欺骗干扰难以识别的问题。为了验证深度学习过程的可靠性,通过神经网络可解释性算法对训练结果进行了验证和分析。实验结果表明,相比于识别原始信号,识别DRFM信号神经网络需要用到更多的特征,神经网络判断准确率达到了96.33%,识别精度良好。

深度学习在内镜下内痔诊断及危险分级中的应用

目的建立内镜下内痔诊断及危险分级的深度学习模型,探讨人工智能辅助内镜下内痔诊疗的可行性。方法收集该院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组(A任务);根据LDRf分级标准,将内痔组进一步分为Rf0组、Rf1组和Rf2组(B任务)。选取基于卷积神经网络(CNN)框架的Xception、ResNet和EfficientNet,以及基于Transformer框架的ViT和ConvMixer等5个神经网络,建立针对A、B两项计算机视觉任务的深度学习模型。模型评价指标包括准确率、召回率、精确度、F1值和读片时间。将深度学习模型的读片表现与两位不同年资内镜医生进行比较。结果5种深度学习模型在A与B任务测试集中皆展现出较好的准确性。其中,最优模型为ConvMixer,准确性最高(0.961和0.911),其次为EfficientNet(0.956和0.901),均优于高年资内镜医生(0.952和0.881)和低年资内镜医生(0.913和0.832)。同时,所有深度学习模型在验证集中读片用时均<10 s,速度快于内镜医生(均>300 s)。此外,笔者采用梯度加权分类激活映射(Grad-CAM)方法突出图像中对模型判断较重要的区域。结论建立的内痔诊断及危险分级的深度学习模型,其表现优于内镜医生。基于深度学习的计算机视觉模型可辅助内镜医师进行内痔诊断和分级,展现出潜在的临床应用前景。

基于ResNet的可解释性计算机视觉模型在内镜下内痔评估中的应用

目的为克服深度学习模型黑盒不可解释的缺点,本研究旨在探讨可解释性计算机视觉模型在内镜下内痔诊断及危险分级中的应用。方法收集苏州大学附属第一医院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组;根据LDRf分级标准,对内痔组进一步分级为Rf0、Rf1及Rf2三组。针对有无内痔、红色征、糜烂、血栓及活动性出血,构建基于ResNet50V2的可解释化模型,并利用江苏大学附属金坛医院内镜中心的内镜图片进行外部验证。使用准确性、敏感性、特异性以及F1值等指标对比可解释化模型与传统深度学习黑盒模型的表现,并与两位不同年资内镜医生进行比较。结果ResNet可解释化模型的准确性为0.957、敏感性为0.978、特异性为0.974,F1值为0.958,其准确性高于黑盒模型的0.938,高年资内镜医生的0.933及低年资医生的0.907。此外,模型采用Grad-CAM方法突出图像中对模型推理依据的区域。结论本研究通过收集内镜下肛齿状线上倒镜图像,构建可解释化计算机视觉模型并进行外部验证,提示该模型在内镜下内痔诊断与评级中表现优于传统深度学习黑盒模型。该模型在未来临床内镜诊疗中具有良好应用前景。

基于深度学习的内镜肠道准备评分模型的建立

目的基于深度学习算法构建内镜肠道准备评分的计算机视觉模型。方法收集苏州大学附属第一医院消化内镜中心(600张)及HyperKvasir数据库(1794张)的内镜图片共2394张,根据Boston肠道准备量表完成肠道清洁度评分(0~3分,四分类),按6∶2∶2随机分为训练集(1439张)、验证集(478张)和测试集(477张)。选取3种深度学习网络(DenseNet169、DenseNet121、EfficientNet B3),利用迁移学习方式训练肠道准备分类模型,并采用测试集的混淆矩阵等指标评价模型分类能力,与高、低年资医师的分类能力进行对比。结果成功构建3个基于深度学习的肠道准备分类模型。各模型的分类准确度均较高,平均分类准确度为0.897,近似于低年资内镜医师(0.914),低于高年资内镜医师(0.941)的分类表现。其中,DenseNet169模型表现最好,分类准确度(0.914)及平均精确度(0.892)均为最高。此外,采用梯度加权分类激活映射算法,用热力图形式对模型的分类推理进行可视化呈现。结论运用深度学习算法构建的内镜肠道准备分类模型具有可行性,可通过多中心研究扩大样本来源进一步提高模型的分类及泛化能力。

基于脑电空间域表征可视化的情感识别研究

鉴于情感脑电蕴含丰富的空间模式特征,提出一种基于二维空间域表征可视化的情感识别方法。首先,提取多通道脑电Gamma频段的微分熵(Differential Entropy,DE)特征并根据导联位置映射至9×9的二维空间进行拓扑重构,使用三次插值方法进一步提高空间域特征图的分辨率;然后,针对性地设计了一种深度残差网络(Residual Network,ResNet)模型作为情感脑电解码器对情感脑电信号(Electroencephalogram,EEG)进行深层抽象特征的自动提取和端到端分类;最后,通过梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)方法对输入特征图进行可解释性分析,依据热力图分布定位对特定情感状态识别具有较大贡献的空间脑区。在SEED数据集上进行了相关情感识别实验,三种情感类别分类平均准确率为94.88%,达到了较先进的性能。

基于CNN的键盘电磁信息泄漏识别检测方法

针对键盘电磁信息安全问题,分析了PS/2键盘的工作原理以及信号特征,提出一种基于深度学习的检测方法。该方法针对键盘设备的电磁泄漏信号特征,对卷积神经网络(CNN)结构进行了适应性调整;结合改进的梯度加权类激活映射方法,实现了对键盘电磁信息的智能识别和精准定位。对4个按键的电磁信号进行测试,分类准确率达到了98%;在噪声环境下的分类准确率也达到了81%。将梯度加权类激活映射方法及其改进方法对键盘电磁信息的定位效果进行了对比,实验结果证明改进后的方法定位效果更佳。

基于Sigmoid的轴承多任务故障诊断

深度学习方法在旋转机械的故障诊断领域应用广泛,效果良好。但值得注意的是,大部分模型局限于分类几种故障,是一种简单的单任务分类。提出一种基于卷积神经网络的多任务分类模型,同时诊断故障类型和程度。采用Grad-CAM(Gradient-weighted Class Activation Mapping,梯度类激活映射)方法可视化深度模型中隐含层的关注信号的特征,定位模型感兴趣的信号段,从视觉上解释深度学习模型区分类别的关键特征。采用公开的轴承数据集验证方法的有效性,为进一步探讨深度学习模型的可解释性提供新思路。

基于差异激励的无参考图像质量评价

为了衡量图像的降质程度,充分考虑像素间的相关性,提出了一种基于差异激励的无参考图像质量评价算法.该算法根据韦伯定律求得差异激励图,并依据各向异性得到差异激励的梯度映射图;然后量化差异激励得到差异量化图,并分别与差异激励图与梯度映射图进行加权融合;最后利用求得的特征,通过支持向量回归(Support vector regression,SVR)预测得出图像质量的客观评价值.在LIVE、MLIVE、MDID2013和MDID2016等多个数据库中测试显示,该算法稳定性强,复杂度低,能准确反映人类对图像质量的视觉感知效果.