基于双支融合与结构采样的点云分类算法

目的:利用双支融合和结构采样,提取较充分的局部特征并保留不同尺度下的全局结构信息,使得在点云分类任务中获得高精度。方法:首先,提出双支融合模块,并用之提取不同角度的局部特征,再加入融合框架剔除重复的特征,突出显著特征,使得局部特征更具有辨别力。其次,设计了结构采样单元以关注不同尺度下的全局结构信息。该单元通过对每个采样点学习,以增强采样稳定性,并平滑结构信息,从而学习点云的全局结构信息。最后,利用包含局部-全局的特征进行分类,完成点云的分类任务。结果:在ModelNet40和ScanObjectNN基准数据集中分别获得93.6%和86.6%的分类精度。结论:基于双支融合与结构采样网络模型在点云分类任务中具有先进性。

一类结构不确定采样系统的鲁棒控制

针对一类结构不确定性线性采样系统 ,在时域中用 L yapunov方法研究采样系统的鲁棒控制及最优鲁棒控制 ,给出了系统鲁棒稳定的充分条件以及相应的鲁棒控制律。控制律的求取借助于求解一类线性矩阵不等式 (L MI) ,或求解满足特定线性不等式条件下的优化问题。算例结果表明 ,采样周期是一个关键性的设计参数。

基于过采样结构的贝叶斯鲁棒辨识方法

在实际工业过程中,异常值的干扰是不可避免的,现有的处理异常值方法会导致模型估计有偏差,并且没有考虑潜在异常值的影响。针对上述缺点,利用学生分布噪声来处理潜在异常值,提出一种适用于学生分布噪声情况的贝叶斯鲁棒辨识方法,并且将其与过采样结构相结合,推出了基于过采样结构的贝叶斯鲁棒辨识方法。仿真实验表明:本文提出的算法,随着异常值影响的增加,仍然保持较小的辨识误差,而传统辨识方法已不再适用,同时,还克服了传统结构需添加额外测试信号所带来的巨额成本。因此,本文的算法更适合于实际工业过程辨识。

融合残差上采样结构的P^(2)Net无监督单目深度估计

单目深度估计是计算机视觉领域中的一个基本问题,面片匹配与平面正则化网络(P^(2)Net)是现阶段最先进的无监督单目深度估计方法之一.由于P^(2)Net中深度预测网络所采用的上采样方法为计算过程较为简单的最近邻插值算法,使得预测深度图的生成质量较差.因此,本文基于多种上采样算法构建出残差上采样结构来替换原网络中的上采样层,以获取更多特征信息,提高物体结构的完整性.在NYU-Depth V2数据集上的实验结果表明,基于反卷积算法、双线性插值算法和像素重组算法的改进P^(2)Net网络相较原网络在均方根误差RMSE指标上分别降低了2.25%、2.73%和3.05%.本文的残差上采样结构提高了预测深度图的生成质量,降低了预测误差.

基于过采样结构的贝叶斯辨识方法

将过采样闭环结构与贝叶斯变分法相结合,推导出基于过采样闭环结构的递推贝叶斯变分法,并且通过分析过采样闭环结构估计模型的渐近方差表达式,得出过采样结构可以利用超出模型频带之外的高频信息减小辨识模型的误差。仿真结果表明:基于过采样结构的贝叶斯变分法在输出噪声仅为白噪声情况下,相较于传统辨识方法具有更高的辨识精度。当输出噪声受到尖峰噪声或脉冲噪声污染时,笔者方法能够利用外加噪声中含有的高频信息提高辨识精度。

新型大动态范围CMOS图像传感器双采样像素阵列设计

提出了一种新型双采样结构大动态范围CMOS图像传感器的像素阵列结构。该结构在传统的光电二极管型三管有源像素的基础上 ,加入了第二列信号处理电路 ,两列信号处理电路分别处理两次采样。双采样像素结构大幅提高了图像传感器动态范围 。

新型文丘里采样系统在粉体行业的应用

通常火电厂的煤粉采样都是利用人工网筛的方式,把留在筛网大的颗粒煤粉占整个样本的比例来确定细度(R90),以确定磨的出力(功率)大小。这种方式所耗费时间长,效率低,还需专人采样;文章在采样池内部利用文丘里原理,设计锥状双管结构;在高速气流附近产生负压来进行采样,并同过控制算法和PLC来进行实时采样,对粉行业的采样是一次变革;特别是仓储式制粉系统,该法结合磨的控制优化算法,更能大大降低成本和能耗。

尺度自适应特征压缩跟踪

为了对复杂环境中的目标进行长时间精确跟踪,提出一种尺度自适应特征压缩跟踪算法。通过结构约束性采样,获取不同位置不同尺度的扫描窗,离线计算不同尺度下的稀疏随机感知矩阵。在线跟踪时利用这些矩阵感知对应尺度的图像采样块,实现特征降维,提高运算速度。利用朴素贝叶斯分类器对降维特征进行判决,在线学习更新分类器参数,找出具有最高分类得分的采样块及其尺度作为新的跟踪结果,实现跟踪位置及尺度的自适应更新。实验结果表明,该算法能适应目标的基本姿态变化及尺度缩放,不依赖于目标初始跟踪区域尺度选取,跟踪结果具有较强的鲁棒性。

基于小波子树结构化采样的压缩图像融合方法

现有压缩图像融合算法的采样模式以傅里叶谱域内星形采样和小波谱域内放射状采样为主,并没有充分利用信号在谱域内的结构化特征,算法的性能和效率仍有提升空间。为此,本文利用图像在小波谱域内的重要变换系数所体现出的结构化特征,通过沿小波谱域内子树结构进行自适应采样,以采集到图像更多的重要信息,并结合空域递归图像重构算法,提出一种新的压缩图像融合方法。数值实验结果表明,所提出的压缩图像融合方法与现有的其它方法相比,不仅有效提高了图像融合效果,而且计算效率也有很大提升。

频率估值自同步方案设计与性能分析

现有跳频自同步方案中抗干扰性能最强的方法是串行滑动相关法和并行匹配滤波两种方案,但是滑动相关法捕获速度比较慢,匹配滤波法系统结构比较复杂。为了克服这些缺点,提出了频率估值自同步方案,该方案使用STFT获取跳频载波频率,利用频率控制字逆向恢复PN序列以获取系统同步。从捕获时间期望、抗干扰性能及系统复杂度三方面对新方案进行了评价,从理论及程序仿真验证了方案在大信噪比下的可行性。本方案在大信噪比信道中有较强的抗干扰及快速捕获能力。

RNA-蛋白质复合物结构预测研究进展

RNA-蛋白质复合物是生命体中参与细胞活动的重要生物大分子,相关复合物三级结构的测定对理解细胞活动过程和相关疾病的治疗有重要帮助.然而,实验测定RNA-蛋白质复合物分子结构需要大量的时间和财力,高分辨率的复合物结构测定依然面临重大挑战.RNA-蛋白质复合物结构预测是目前软物质物理和生物物理学领域最具挑战性和影响力的研究方向之一.本文首先综述了RNA-蛋白质复合物结构预测的研究进展与挑战,随后讨论了如何优化复合物结构采样和结构评估,最后对如何利用生物分子大数据和深度学习模型进一步优化RNA-蛋白质复合物预测方法做了展望.

改进Retinex-Net的低光照图像增强算法

针对Retinex-Net存在噪声较大、颜色失真的问题,基于Retinex-Net的分解-增强架构,文中提出改进Retinex-Net的低光照图像增强算法.首先,设计由浅层上下采样结构组成的分解网络,将输入图像分解为反射分量与光照分量,在此过程加入去噪损失,抑制分解过程产生的噪声.然后,在增强网络中引入注意力机制模块和颜色损失,旨在增强光照分量亮度的同时减少颜色失真.最后,反射分量和增强后的光照分量融合成正常光照图像输出.实验表明,文中算法在有效提升图像亮度的同时降低增强图像噪声.

一种不需要次级通道建模的有源噪声控制算法

对有源噪声控制的研究,绝大部分都是建立在次级通道已知的基础上,或者通过在线或离线辨识来建模次级通道,通过分析滤波-XLMS(FXLMS)算法收敛的几何特性实现有源噪声的无模型控制。子带技术是将信号通过不同频带的滤波器,把信号分解到不同频带的子带中,对各子带信号分别进行相应的处理,并减少处理时间。将两者相结合,运用子带技术,采用过采样无延迟子带结构消除单频噪声、窄带噪声以及宽带噪声,降噪效果明显。相比传统的XLMS滤波算法,该算法降低了运算量,且实现结构简单。

一种低电压无采样保持运放14 bit,100 MS/s流水线型模数转换器的65 nm CMOS工艺实现

设计了一款低电压实现的14bit,100MS/s流水线型模数转换器(Pipelined ADC),该ADC前端采用无采样保持运放结构来降低功耗和减小噪声,减少了第一级采样网络孔径误差和非线性电荷注入的影响.通过选取合适的输入采样电容容值解决了kT/C噪声和电容不匹配的问题,并设计了符合系统要求的低电压高速高增益运放.该模数转换器同时也包含了带隙基准、分布时钟产生电路、参考电压和共模电压缓冲器等电路模块.芯片采用TSMC 65nm GP 1P9M CMOS工艺实现,面积为3.2 mm2(包含PAD).测试结果表明,当采样率为20MS/s,输入信号频率为1.869MHz时,信噪比(SNR)为66.40dB,信噪失真比(SNDR)为65.21dB,无杂散动态范围(SFDR)为73.44dB,有效位数(ENOB)为10.54bit.电源电压为1.2 V,整个模数转换器的总功耗为260mW.

样本数量不平衡下的建筑群模式识别方法研究

通过综合空间关系、几何、语义等多种特征对建筑群模式进行智能识别,在地图多尺度表达和数字化制图等领域有着重要的意义。将图卷积神经网络用于建筑群模式智能识别能够克服传统方法依赖人工经验设置参数、制定的规则过于严格等缺点。但是该方法往往存在样本比例失衡的问题,容易导致样本数量较少的类别无法正确识别。本文首先以建筑物质心作为样本进行聚类获得建筑群组。其次,将同一群组内的建筑物质心作为样本进行Delaunay三角剖分来构建建筑群的图结构,其中图节点特征选取能够描述建筑群几何特征的面积、大小、方向等相关指标。再次,通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强,然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练,并结合ROC曲线等多个评价指标对模型的性能进行了评测。实验结果表明,对样本数量较少的建筑群图结构增强之后,模型对于样本数量较少的建筑群识别准确率有了明显的提高。