深度学习赋能波束管理:现状、挑战与机遇

随着载波频率的不断提高和大规模天线阵列的广泛部署,基于模拟移相器的波束赋形成为下一代无线通信的标志性技术之一。此时,波束管理被用于获取和维护基站和用户端具有最大接收功率的最优波束对,以保障可靠的无线通信服务。传统波束管理方法往往依赖于海量搜索。同时,传统数学模型无法全面的、准确刻画非线性的波束的内在关联和高维无线环境特征,因而难以取得令人满意的波束增益性能。近年来,得益于深度学习强大的自适应拟合能力,深度学习赋能波束管理得到了国内外广泛关注。本文总结了深度学习赋能波束管理的研究进展,并展望了未来的研究方向。首先,阐述了深度学习应用于波束管理的典型场景和潜在优势;随后,从空/时/频域切入,讨论当前深度学习赋能波束管理的主要研究路线和代表性工作;最后,面向更大规模的无线网络、更多元的波束管理功能和更鲁棒的深度学习模型,阐述未来的研究挑战与机遇。

深度学习在口腔影像分析中的应用

背景:近年来深度学习技术越来越多地被运用于口腔医学领域,提高了口腔影像分析的效率及准确率,推动了口腔智能医学的迅速发展。目的:基于口腔影像,阐述深度学习在口腔疾病诊断和治疗方案决策方面的研究现状、优势与局限性,探讨深度学习技术背景下口腔医学变革的新方向。方法:应用计算机检索PubMed数据库中2017年1月至2024年1月发表的深度学习在口腔医学影像领域应用的相关文献,检索词为“deep learning,artificial intelligence,stomatology,oral medical imaging”等,按入组标准筛选后最终纳入80篇文献进行综述。结果与结论:(1)经典的深度学习模型包括人工神经网络、卷积神经网络、递归神经网络和生成对抗网络等,学者们以或竞争或联合的形式运用这些模型,实现更高效的对口腔医学影像的解释。(2)在口腔医学领域,疾病诊断和治疗方案的制定在很大程度上依赖医学影像资料的判读,而深度学习技术拥有强大的图像处理能力,无论是在辅助诊断龋齿、根尖周炎、牙根纵裂、牙周病、颌骨囊肿等疾病方面,还是在辅助第三磨牙拔除术、颈淋巴结清扫术等治疗操作的术前评估方面,深度学习都能帮助临床医生提高决策的准确率与效率。(3)尽管深度学习有望成为口腔疾病诊治的重要辅助工具,但它在模型技术、安全伦理、法律监管方面仍有一定的局限性,未来的研究应侧重于证明深度学习的可推广性、稳健性和临床实用性,寻找将深度学习自动化决策支持系统应用于常规临床工作流程中的最佳方式。

将深度学习理论融入课堂

科学教育是培养学生创新精神和实践能力的重要途径,基于深度学习理论的教学策略,以其强调学生主动学习和深度理解的特点,为小学科学教育带来全新的机遇。本文旨在探讨如何将深度学习理论融入小学科学课堂,强调深度学习在科学教育中的重要性,同时提出包括情境创设、问题引领、合作学习和技术融合在内的创新路径,旨在推动小学科学教育的深度发展。

基于Mahalanobis矩阵学习的本体算法

提出基于Mahalanobis矩阵学习的本体相似度计算和本体映射算法.利用矩阵分解和坐标下降迭代算法得到Mahalanobis矩阵,进而得到本体图距离矩阵,并由此来判定本体图中2顶点之间的相似程度.最后,将算法应用于生物GO本体和计算机软件本体,通过实验数据验证了算法的有效性.

中国区域技术创新能力:基于Mahalanobis距离的聚类优化实证研究

针对中国区域技术创新能力最新实证研究在聚类方法和结果方面的一些不足,基于样本间Mahalanobis距离,结合所研究问题的背景情况和统计理论,选择ward聚类方法实施聚类,基于聚类结构的稳定性和敏感性准则,通过观察Dendrogram图,得到聚类数量的可能取值区间,然后求解Pseudo-F最大值来确定最优聚类数量。

一种基于Mahalanobis距离的增量聚类算法

经典的模糊c均值聚类算法对非球型或椭球型分布的数据集进行聚类效果较差。将经典的模糊c均值聚类中的欧氏距离用Mahalanobis距离替代,利用Mahalanobis距离的优点,将其用于增量学习中,提出一种基于马氏距离的模糊增量聚类学习算法。实验结果表明该算法能较有效地解决模糊聚类方法中的缺陷,提高了训练精度。

利用Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法．首先将待分类的图像样本集进行坐 标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数 取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的 样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80．25％的识别率．

利用Mahalanobis距离的SAR图像溢油识别

利用合成孔径雷达(SAR)可在日夜及全天候条件下进行高分辨率溢油监测的优点,提出了一种基于特征向量的SAR图像溢油识别方法。在暗区边界确定的SAR图像中进行量算,得到特征向量,并采用Mahalanobis距离对目标物进行识别。经实验验证,选取的特征值数量合理,且对于判定是否为溢油效果明显;利用Mahalanobis距离进行判别,算法清晰,且准确率达到96%以上;与其他溢油判定方法相比,附加条件较少,且利于在计算机上编程实现。

基于Mahalanobis距离的运动意识分类研究

提出基于Mahalanobis距离判别式算法的意识任务分类方法。对被测试者想象左右手运动时脑电信号的mu节律能量变化进行在线动态分析,提取EEG(C3,C4)两个通道的mu节律能量作为特征向量,用Mahalanobis距离判别式算法对左右手运动想象脑电模式进行分类,实验结果表明,正确识别率可达87.86%。

Mahalanobis距离在多元随机变量线性变换中的定理

根据多元统计分析中Mahalanobis距离的计算理论,对其计算性质进行了讨论和研究,证明了多元随机变量在经过可逆线性变换后,其Mahalanobis距离的计算数值不变这一重要性质.并通过实际问题说明了此性质在多元统计分析,特别是在距离判别分析中的作用.

基于马田系统的Mahalanobis距离选择

主要讨论Euclidean距离的局限性,提出Mahalanobis距离的一个结论,给出Mahalanobis距离计算步骤,并结合实例加以说明。

结合Mahalanobis距离的SUSAN彩色边缘检测方法研究

针对HSI颜色空间在图像处理和分析方面更加符合人眼的视觉特性,提出了一种结合Mahalanobis距离的SUSAN彩色图像边缘检测方法.该方法首先将彩色图像从RGB空间转换到HSI空间,然后以H、S、I为变量计算空间中两种颜色的色差距离,结合SUSAN算子对边缘进行检测.实验结果表明:此方法可以有效地检测彩色图像的边缘.在保留图像边缘方面,性能优于传统的彩色边缘检测方法.

基于高阶累积量的暂态扰动Mahalanobis距离分类

为实现对脉冲暂态和振荡暂态2类暂态电能质量扰动的分类,提出一种基于高阶累积量的暂态电能质量扰动Mahalanobis距离分类法.该方法利用高阶累积量提取暂态扰动的高阶统计特征,选取其2,3,4阶累积量最大值和最小值构成扰动信号的6维特征向量,计算测试样本特征向量与标准模板之间的Mahalanobis距离,以"距离最小"作为分类判据,实现对2类暂态电能质量扰动的分类.仿真结果表明,低阶累积量不能单独用于区分不同类型暂态电能质量扰动;特征向量维数越高,对分类过程越有利.所提方法分类原理简单、准确率高,是暂态电能质量扰动的有效分类方法.

基于Mahalanobis距离与BP网络的图像小波标定识别技术

针对计算机芯片检测,提出了基于Mahalanobis距离与BP人工神经网络的小波图像识别技术.在对IC芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别.实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果.

基于BP网络与Mahalanobis距离的图像识别技术(英文)

提出基于BP人工神经网络与Mahalanobis距离的图像识别技术。在对IC芯片图像进行二维小波分析后,通过Ma-halanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别。实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果。

一种基于Mahalanobis距离和主成分分析的电子鼻信号预处理方法

针对样本集中的少数异常样本便可导致网络的稳定性下降甚至失效的问题。该文提出了基于马氏距离异常检测的PCA-RBF（Principal Component Analysis-Radial Basis Function）网络模型,将粗糙样本集经异常检验后进行PCA-RBF网络的识别。实验证明该方法能够克服异常样本的干扰,提高了网络的稳定性和识别能力。

基于最大类间方差法与Mahalanobis距离的IC芯片彩色图像多阈值分割技术研究

针对彩色IC芯片图像的分割问题,提出基于最大类间方差法与Mahalanobis距离的多阈值彩色图像分割方法,通过建立最大类间方差数学模型,对彩色图像Mahalanobis距离进行最优分割距离阈值进行求解,并在计算目标点与待处理点的Mahalanobis距离并确定待处理点所从属的分割阈值区间基础上,对像素点赋予伪彩色值,从而进行图像彩色区域的确定和划分。通过编程处理,证实此方法对实际彩色图像进行分割处理后能获得稳定准确的分割效果。

煤储层含气性深度效应与成藏过程耦合关系

埋深是影响煤层气富集程度的综合要素,理解含气性深度效应是认识深浅部煤层气赋存状态与聚集机制的重要基础。基于煤层气勘探现状,在剖析鄂尔多斯盆地东缘煤层气探井资料的基础上,综合常规-非常规油气成藏地质学理论,探讨了煤层含气量、饱和吸附量、含气饱和度深度效应及其与成藏过程的耦合关系。煤层气成藏是构造沉降阶段生烃供气和回返抬升阶段相态转化、逸散的耦合结果,体现为自封闭成藏和浮力成藏的深度耦合,含气性变化存在饱和吸附量转折和游离气滞留两个关键深度界限,且二者不具备绝对同步性:(1)饱和吸附气量是煤在特定温压条件下的固有属性,不受保存条件的严格限制,其随深度的演化过程是控制相态转换的基础,压力梯度和变质程度补偿效应会引起现今区域饱和吸附量转折深度(带)的明显滞后。(2)游离气的运聚成藏与改造定型受控于地层回返抬升阶段的遮盖条件,涉及埋深-构造-水动力场三元耦合效应及浮力、储盖层毛管力的综合影响,抬升幅度小且改造强度弱时方可具备游离气滞留保存条件,滞留深度以浅地层封闭性降低,游离气普遍散失。鄂尔多斯盆地东缘柳林-延川南一带煤层总含气量随埋深增大近乎线性增高,深部收敛趋势不明显,不同变质程度煤理论饱和吸附量转折深度为1600~2200 m,但煤阶的区域分异致使原位饱和吸附量随埋深持续增大;大宁-吉县区块游离气滞留临界深度约2000 m,2500 m处含气饱和度平均约120%,3000 m处含气饱和度预计可达136%。不同地区煤层气成藏背景和地质条件存在差异,含气性深度效应需具体分析,分析重点应聚焦于甲烷相态转换、地层封闭条件的时空演化对现今气、水分布的综合影响,以实现深部煤层气的分区分带评价和高效开发设计。

基于轻型自限制注意力的结构光相位及深度估计混合网络

相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比。实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升31%;在结构光深度估计实验中,精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。

基于物质点和深度积分耦合模型的滑坡数值分析

深度积分算法可将滑坡沿地表滑动的三维模型化简为二维模型进行求解,通过减少控制方程未知量的个数以提升求解效率。物质点法(material point method,MPM)具有无网格法和有网格法的双重优势,模拟滑坡大变形问题时可避免网格畸变现象。采用深度积分耦合物质点法建立滑坡数值模型,给出算法实现具体流程,基于影响域改进的物质点法(influence domain material point method,IDMPM),针对两个典型无倾角底面光滑和有倾角底面不光滑滑坡算例进行基准测试。在计算精度方面,深度积分耦合物质点法模型能较好地预测远端距离、流速、深度等滑移特征参数;在计算效率方面,与常规物质点法求解格式相比,深度积分耦合物质点法模型可大幅度提高运行效率。该研究成果可为滑坡地质灾害破坏范围的分析预测、危害评估、应急抢险提供有效理论依据和时间保障。