高功率速调管TE_(11)-HE_(11)模式变换器的设计及实验验证

基于模式匹配法编制了分析内壁刻槽TE11-HE11圆波导模式变换器数值计算程序;采用该程序为工作频率为30.5GHz的高功率速调管设计了一半径为16mm的TE11-HE11模式变换器。计算表明该变换器在2.6%的带宽内转换效率在98.8%以上,实验结果表明该变换器性能良好。

融合空间位置与结构信息的压缩感知图像重建方法

针对低采样率下分块压缩感知重建图像视觉效果不佳的问题,提出一种融合空间位置与结构信息的压缩感知图像重建方法(SLSI)。首先,对观测值进行线性映射得到图像块的初步估计值;然后,基于块分组重建支路和全图重建支路对图像的空间位置信息和结构信息进行提取、增强和融合;最后,通过加权策略融合双支路的输出得到最终重建全图。在块分组重建支路中,根据图像块的数据特点分配重建资源。在全图重建支路中,主要通过双边滤波和结构特征交互模块对相邻图像块像素进行信息交互。实验结果表明,与基于非迭代重建网络(ReconNet)、基于非局部约束的多尺度重建网络(NL-MRN)等压缩感知重建方法相比,由于结合了像素间强自相关性这种图像先验,在采样率为0.05的情况下,所提方法在压缩感知领域常用的测试图像数据上的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提升了2.6175 dB和0.1053,重建图像的视觉效果较好。

基于LZMA和多版本的网页防篡改备份恢复机制

针对当前网页防篡改系统普遍忽略备份恢复的缺陷,提出了一种网页防篡改系统模型,在此模型基础上设计了一个高效安全的网页防篡改异地备份恢复系统。此系统采用多版本控制技术管理备份网页数据,可以根据用户需求恢复不同时期不同版本备份数据。备份数据采用高效的LZMA压缩存储,有效提高了磁盘利用率,采用DES算法加密和文件传输协议(FTP)实现安全的远程存储及传输。最后,系统性能测试说明此系统在不影响Web服务器负载前提下能对Web服务器数据进行有效的备份和恢复,能保证单个被篡改的网页在100 ms内恢复,是解决网页篡改问题的一个有效手段。

基于多任务学习的多姿态人脸重建与识别

针对当前人脸识别中姿态变化会影响识别性能,以及姿态恢复过程中脸部局部细节信息容易丢失的问题,提出一种基于多任务学习的多姿态人脸重建与识别方法——多任务学习堆叠自编码器(Mt LSAE)。该方法通过运用多任务学习机制,联合考虑人脸姿态恢复和脸部局部细节信息保留这两个相关的任务,在步进逐层恢复正面人脸姿态的同时,引入非负约束稀疏自编码器,使得非负约束稀疏自编码器能够学习到人脸部的部分特征;其次在姿态恢复和局部信息保留两个任务之间通过共享参数的方式来学习整个网络框架;最后将重建出来的正脸图像通过Fisherface进行降维并提取具有判别信息的特征,并用最近邻分类器来识别。实验结果表明,Mt LSAE方法获得了较好的姿态重建质量,保留的局部纹理信息清晰,而且与局部Gabor二值模式(LGBP)、基于视角的主动外观模型(VAAM)以及堆叠步进自编码器(SPAE)等经典方法相比,识别率性能得以提升。

基于自适应稀疏表示的多聚焦图像融合

提出了一种基于自适应稀疏表示的多聚焦图像融合算法,该算法根据图像的结构特征将子块分为相似模型、平滑模型和细节模型.三种模型采取不同的处理,相似模型直接放入融合图像,平滑模型和细节模型分别采用加权平均法和稀疏表示法进行融合,从而减少了稀疏编码的图像块数,以提高融合效率.实验结果表明,该方法在保证融合图像主观效果和客观性能指标均优的的情况下,有效缩短了运算时间.

基于自注意力网络的图像超分辨率重建

针对图像超分辨率重建中纹理细节等高频信息恢复的问题,提出一种基于自注意力网络的图像超分辨率重建方法。该网络框架利用两个重建阶段逐步地将图像的精确度从粗到细进行恢复。在第一阶段中,首先将低分辨率(LR)图像作为输入通过一个卷积神经网络(CNN),并输出一个粗精度的高分辨率(HR)图像;然后将粗精度图像作为输入并产生更加精细的高分辨率图像。在第二阶段中,使用自注意力模块计算特征之间所有位置的关联性,通过捕捉特征的全局依赖关系来提高纹理细节的恢复能力。在基准数据集上的实验结果表明,与现有基于深度神经网路的超分辨率重建算法相比,所提算法不仅图像视觉效果最好,而且在数据集Set5和BDSD100上的峰值信噪比(PSNR)平均提高了0.1dB、0.15dB,表明该网络可以通过增强特征的全局表达能力来重建出高质量图像。

基于空-谱融合网络的高光谱图像分类方法

针对高光谱图像分类中提取的空-谱特征表达能力弱及维数较高的问题,提出一种基于空-谱融合网络(SSF-Net)的高光谱图像分类方法。首先,利用双通道卷积神经网络(Two-CNN)同时提取高光谱图像的光谱和空间特征;其次,使用多模态压缩双线性池化(MCB)将所提取的多模态特征向量的外积投射到低维空间,以此产生空-谱联合特征。该特征融合网络,既可以分析光谱特征和空间特征向量中元素之间的复杂关系,同时也避免对光谱和空间向量直接进行外积计算,造成维数过高、计算困难的问题。最终实验表明,与现有基于神经网络的分类方法相比,所提出的高光谱图像分类算法能够获得更高的像元分类精度,表明该网络所提取的空-谱联合向量对高光谱图像具有更强的特征表达能力。

相控阵天线时域有限差分计算中激励源分析

在时域有限差分(FDTD)方法用于偶极阵列天线数值计算时,采用带有内电阻的缝隙馈电激励源模型,及选择自由度较大的调制高斯脉冲信号,来提高数值算法迭代计算的收敛速度;在各馈电单元的时域信号中通过引入合适时间延迟,实现对相应单元相位的控制。用二元相控阵列天线模型,验证了算法和程序是正确的;用六元相控圆形阵列天线,分析了该算法在实际相控阵天线问题分析中的应用。

基于并列卷积神经网络的超分辨率重建

为提取更多有效特征并提高模型训练的收敛速度,提出一种基于并列卷积神经网络的超分辨率重建方法。该网络由两路不同结构的网络组成:一路为简单的残差网络,其优化残差映射比原始的映射更容易实现;另一路为增加了非线性映射的卷积神经网络,增强了网络的非线性能力。随着并行网络结构的复杂化,收敛速度慢成为突出问题。针对这个问题,在卷积层后添加正则化处理,以简化模型参数、增强特征拟合能力,最终达到加快收敛的目的。实验结果表明,与基于深度卷积神经网络算法相比,该网络结构收敛速度更快,主观视觉效果更好,峰值信噪比(PSNR)平均提高了0.2dB。

结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法

针对图像超分辨率重建模型需要大量参数去捕获低分辨率(LR)图像和高分辨率(HR)图像之间的统计关系,以及使用L1或L2损失优化的网络模型不能有效恢复图像高频细节等问题,提出一种结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法。该方法基于由粗到细的思想,设计了一种两阶段的网络模型。第一阶段通过卷积神经网络(CNN)提取图像特征,并将图像特征上采样至HR大小,得到粗糙特征;第二阶段使用多尺度估计将低维统计模型逐步逼近高维统计模型,将第一阶段输出的粗糙特征作为输入来提取图像多尺度特征,并通过注意力融合模块逐步融合不同尺度特征,以精细化第一阶段提取的特征。同时,该方法引入一种更丰富的卷积特征用于边缘检测,并将其作为感知边缘约束来优化网络,以更好地恢复图像高频细节。在Set5、Set14和BSDS100等基准数据集上进行实验,结果表明与现有的基于CNN的超分辨率重建方法相比,该方法不但能够重建出更为清晰的边缘和纹理,而且在×3和×4放大因子下的峰值信噪比(PSNR)和结构相似度(SSIM)都取得了一定的提升。

基于多姿态特征融合生成对抗网络的人脸校正方法

针对人脸校正中单幅图像难以解决大姿态侧脸的问题,提出一种基于多姿态特征融合生成对抗网络(MFFGAN)的人脸校正方法,利用多幅不同姿态侧脸之间的相关信息来进行人脸校正,并采用对抗机制对网络参数进行调整。该方法设计了一种新的网络,包括由多姿态特征提取、多姿态特征融合、正脸合成三个模块组成的生成器,以及用于对抗训练的判别器。多姿态特征提取模块利用多个卷积层提取侧脸图像的多姿态特征;多姿态特征融合模块将多姿态特征融合成包含多姿态侧脸信息的融合特征;而正脸合成模块在进行姿态校正的过程中加入融合特征,通过探索多姿态侧脸图像之间的特征依赖关系来获取相关信息与全局结构,可以有效提高校正结果。实验结果表明,与现有基于深度学习的人脸校正方法相比,所提方法恢复出的正脸图像不仅轮廓清晰,而且从两幅侧脸中恢复出的正脸图像的识别率平均提高了1.9个百分点,并且输入侧脸图像越多,恢复出的正脸图像的识别率越高,表明所提方法可以有效融合多姿态特征来恢复出轮廓清晰的正脸图像。

基于随机子空间PCA-SVM集成的实时入侵检测系统

为了解决入侵检测系统的检测精度低、虚警率高的问题,实现了一个基于网络的入侵检测实验平台,使用了多种新的攻击工具实施攻击,并在此基础上提取了网络连接的29项实时特征;构成实时入侵检测数据集;同时,提出了一个基于随机子空间PCA的Bagging-SVM分类器集成构造方法,并将其应用到所采集的实时入侵检测数据集,构造网络连接的检测器。经实验表明,所选取的网络连接特征能较好地反映网络安全状况,所采用的集成学习算法具有检测精度高、检测稳定、对基分类器的参数整定不敏感等优点。

基于优先级的簇内终端直通数据转发策略

在蜂窝网络中,相同需求的用户可以建立成簇以利用终端直通(D2D)技术提高数据分发效率。然而,D2D链路质量的差异可能会成为提高资源效率的瓶颈。为了解决上述问题,在考虑链路质量差异的前提下,提出了基于优先级的D2D中继方案。该方案通过遍历链路质量矩阵自适应选取最优阈值,以优先选择可实现较高数据速率的D2D链路进行数据转发,提高了时频资源的利用率。与无优先级方案相比的仿真实验中:基于优先级的D2D中继方案消耗更少的时频资源,具有更高的资源效率,而且随着成功接收数据的用户(ACK用户)与未成功接收数据的用户(NACK用户)比值减小,优势更加明显;同时簇的大小对资源效率的改善也有一定影响。结果显示,对于簇内用户数目较少并且NACK用户多于ACK用户的情形,所提出的分级转发方案对资源效率的改善尤为明显。

地空信道下基于OFDM/OQAM系统的时频同步算法

针对正交频分复用/交错正交幅度调制(OFDM/OQAM)系统无循环前缀而对时偏误差敏感,以及在具有大多普勒频移的快时变地空信道下对频偏估计要求较高的问题,提出了一种适用于地空信道OFDM/OQAM系统的自相关估计(ACE)时频同步算法。该算法中符号定时采用较少的辅助序列实现快速捕获和定时,频偏估计通过优选同步自相关序列进行两次自相关运算,将两次运算估计的频偏值进行加权平均,获得最终频偏估计值。在计算机上进行仿真,其中与改进最小二乘(MLS)算法和训练序列(TR2)算法相比,ACE算法符号定时相关峰值对比度提高至原来的3倍;在飞行状态下系统误码率(BER)为10^(-2)时有10 dB信噪比增益,在地空信道到达状态下BER为10^(-3)时有3 dB信噪比增益。仿真结果表明,ACE算法进一步提升了时频同步精度和误码性能。

计算资源受限的移动边缘计算服务器收益优化策略

移动边缘计算(MEC)服务器通过向用户提供计算资源获得收益。对MEC服务器而言,如何在计算资源受限的情况下提高自身收益至关重要,为此提出一种通过优化计算任务执行次序提高MEC服务器收益的策略。首先,将MEC服务器收益最大化问题建模为以任务执行次序为优化变量的优化问题;然后提出了一种基于分支定界法的算法求解任务执行次序。仿真结果表明,采用所提算法获得的MEC服务器平均收益分别比大任务优先(LTF)算法、低延迟任务优先(LLTF)算法和先到先服务(FCFS)算法提高了11%、14%和21%。在保证卸载用户服务质量(QoS)同时,所提策略可以显著提高服务器的收益。

认证加密模型JAMBU的新分析

根据JAMBU模型的结构特点——相关数据和明文可以相互转化,利用伪造攻击等基本思想提出了"随机数重复利用"的分析方法。结果表明,该分析所需数据复杂度为2^(n/2),时间复杂度为4×(2^(n/2))。与已有分析结果相比,该分析数据复杂度更低。

基于智能手机的地磁/WiFi/PDR的室内定位算法

针对地磁指纹在室内定位中存在重复性,以及行人航迹推算(PDR)累积误差明显的问题,提出了一种基于智能手机的多传感器融合定位方法。该方法首先通过WiFi和随机采样一致性(RANSAC)算法拟合路径,确定初始位置;然后利用手机中的加速度计进行步长估计,利用陀螺仪进行转向检测;最后通过地图约束的自适应粒子滤波(PF)算法以地磁场修正PDR的定位结果。仿真结果表明,该方法能够有效克服PDR的累积误差以及地磁值不唯一的缺陷,提高室内定位精度、减少能耗。