91精品国产一区二区三区香蕉,精品国产免费久久久久久

基于疊加擴(kuò)頻頻譜中心技術(shù)的抗欺騙干擾研究[其他][其他]

針對(duì)機(jī)載多天線收發(fā)系統(tǒng)(Multiple Input Multiple Output,，MIMO)面臨存在虛假指令的欺騙干擾威脅導(dǎo)致性能下降甚至失鎖問題，提出了一種基于疊加擴(kuò)頻頻譜中心技術(shù)檢測(cè)欺騙干擾方案,，最后通過試驗(yàn)驗(yàn)證了該方案的可行性,，對(duì)MIMO抗虛假指令欺騙干擾性能的提升具有實(shí)際意義。

發(fā)表于：4/16/2021 9:20:00 AM

基于可穿戴傳感器的實(shí)時(shí)心電檢測(cè)方法研究[其他][其他]

為了實(shí)時(shí)監(jiān)控人體的心電信號(hào),，以胸帶作為穿戴載體,，設(shè)計(jì)一個(gè)可穿戴心電檢測(cè)系統(tǒng)。內(nèi)嵌于胸帶的心電傳感器采集佩戴者心電信號(hào),，通過藍(lán)牙傳輸至移動(dòng)設(shè)備應(yīng)用程序,，實(shí)現(xiàn)心電信號(hào)及心率的實(shí)時(shí)顯示。所實(shí)現(xiàn)的心電檢測(cè)算法基于自適應(yīng)閾值,，檢測(cè)心電信號(hào)的R波并計(jì)算實(shí)時(shí)心率,。設(shè)計(jì)和實(shí)施了實(shí)地實(shí)驗(yàn)以檢測(cè)系統(tǒng)和算法性能。結(jié)果表明,，心率檢測(cè)算法的R波檢測(cè)錯(cuò)誤率為-1.99%,，較好地適應(yīng)了可穿戴心電傳感器采集的信號(hào)。

發(fā)表于：4/15/2021 11:08:00 PM

基于多特征融合的商品識(shí)圖匹配算法研究[其他][其他]

隨著近幾年無人超市的不斷發(fā)展成熟,，自助購物越來越普及,。如果商品售出后沒能及時(shí)補(bǔ)充，會(huì)影響消費(fèi)者的購買意愿,。為提升商品圖像識(shí)別的準(zhǔn)確率,，采用多特征融合的方法，即將多種算法的特征聯(lián)合,，形成優(yōu)勢(shì)互補(bǔ),。采用融合SIFT特征和灰度共生矩陣特征的方法完成貨架商品圖像的匹配。實(shí)驗(yàn)表明,，該方法對(duì)比灰度共生矩陣方法準(zhǔn)確率提升20.6%,，對(duì)比SIFT算法和PCA-SIFT算法準(zhǔn)確率分別提升8.9%和5.6%；處理時(shí)間對(duì)比以上三種算法略有增加,。此方法還可用于分析貨物受歡迎程度以及確認(rèn)哪些柜臺(tái)需要加貨等,，從而及時(shí)有效地對(duì)短缺的商品進(jìn)行補(bǔ)充。

發(fā)表于：4/15/2021 11:03:19 PM

自動(dòng)氣象溫濕度傳感器采集電路設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

為了順應(yīng)民航氣象自動(dòng)化發(fā)展需求,，設(shè)計(jì)了一種自動(dòng)氣象溫濕度傳感器采集電路,，能夠?qū)崿F(xiàn)對(duì)民用機(jī)場(chǎng)跑道周邊溫濕度要素的較高精度采集,。系統(tǒng)對(duì)硬件電路部分進(jìn)行了模塊化結(jié)構(gòu)設(shè)計(jì)，對(duì)溫濕度采集原理進(jìn)行了分析,，利用4線制PT100鉑電阻對(duì)溫度進(jìn)行測(cè)量,，通過恒流源驅(qū)動(dòng)的方式產(chǎn)生溫度對(duì)應(yīng)電壓，再通過AD7792進(jìn)行采集,，計(jì)算出溫度傳感器的電阻值Rpt100,。濕度信號(hào)輸出類型為0～1 V的直流電壓，利用AD7792的第2通道以及片內(nèi)1.17 V的基準(zhǔn)電壓進(jìn)行采集,，得到ADSample2采樣值,計(jì)算出濕度對(duì)應(yīng)的電壓值Vrh(單位：mV),， Vrh在數(shù)值上與濕度采樣值相等。試驗(yàn)證明采集電路可以完成對(duì)溫濕度信號(hào)的采集,。

發(fā)表于：4/15/2021 10:55:29 PM

一種多通道高速高精度PXIe數(shù)據(jù)采集模塊設(shè)計(jì)[其他][其他]

介紹了一種基于放大器,、模數(shù)轉(zhuǎn)換(Analog to Digital Converter，ADC)和現(xiàn)場(chǎng)可編程門陣列(Field Programmable Gate Array,，F(xiàn)PGA)的多通道數(shù)據(jù)采集方案,，包括采集系統(tǒng)的主要構(gòu)成以及實(shí)現(xiàn)方法，最后對(duì)系統(tǒng)性能進(jìn)行了測(cè)試,。該電路模塊為子母板結(jié)構(gòu),，通過PCI Extensions for Instrumentation Express(PXIe)機(jī)箱背板總線實(shí)現(xiàn)數(shù)據(jù)的讀出能力,。該模塊可支持8個(gè)采集通道的同步采集,，每通道采樣率可達(dá)500 MS/s。測(cè)試結(jié)果表明,，在其帶寬內(nèi)有效位可接近11 bit(ADC采樣精度為14 bit),，能夠滿足高速高精度的數(shù)據(jù)采集需求。

發(fā)表于：4/15/2021 10:47:51 PM

衛(wèi)星網(wǎng)絡(luò)負(fù)載均衡路由技術(shù)研究綜述[其他][其他]

發(fā)表于：4/15/2021 10:43:59 PM

基于GRU神經(jīng)網(wǎng)絡(luò)的有毒氣體擴(kuò)散預(yù)測(cè)方法[其他][其他]

有毒氣體的擴(kuò)散預(yù)測(cè)在應(yīng)急響應(yīng)中起著重要作用?，F(xiàn)有的計(jì)算流體力學(xué)(CFD)方法存在計(jì)算耗時(shí)長等問題,，無法快速進(jìn)行毒害氣體擴(kuò)散預(yù)測(cè)。提出了一種利用深度學(xué)習(xí)技術(shù)進(jìn)行有毒氣體擴(kuò)散預(yù)測(cè)的方法,。根據(jù)有毒氣體擴(kuò)散原理,，設(shè)計(jì)基于GRU的神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)快速,、有效的氣體擴(kuò)散濃度的預(yù)測(cè),。將本文的方法在經(jīng)典的公開數(shù)據(jù)集草原牧場(chǎng)數(shù)據(jù)集上進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明本文方法可實(shí)現(xiàn)較高精度的氣體擴(kuò)散濃度的預(yù)測(cè),，并且優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)模型的方法,。

發(fā)表于：4/15/2021 10:36:18 PM

基于高階圖卷積網(wǎng)絡(luò)的城市空氣質(zhì)量推斷模型[其他][其他]

能否精確地預(yù)測(cè)城市區(qū)域空氣質(zhì)量分布，對(duì)于政府環(huán)境治理以及人們?nèi)粘ｎA(yù)防等方面,，具有重要的意義,。該問題面臨的挑戰(zhàn)是：一是不同區(qū)域的空氣質(zhì)量分布具有時(shí)空交互性；二是空氣質(zhì)量分布受到外部因素的影響,。通用化卷積神經(jīng)網(wǎng)絡(luò)以處理任意圖結(jié)構(gòu)數(shù)據(jù),，成為近些年來研究的熱點(diǎn)之一，將城市空氣質(zhì)量預(yù)測(cè)問題可制定為時(shí)空?qǐng)D預(yù)測(cè)問題,?；谔岢龅母唠A圖卷積網(wǎng)絡(luò)，設(shè)計(jì)了一種有效的空氣質(zhì)量推斷模型,。該模型可以捕獲空氣質(zhì)量分布的時(shí)空交互性和提取外部影響因素特征,，從而精確預(yù)測(cè)空氣質(zhì)量分布。通過驗(yàn)證現(xiàn)實(shí)北京市空氣質(zhì)量數(shù)據(jù),，結(jié)果表明提出的模型遠(yuǎn)遠(yuǎn)優(yōu)于目前已知的通用方法,。

發(fā)表于：4/15/2021 10:31:00 PM

基于卷積LSTM的視頻中Deepfake檢測(cè)方法[其他][其他]

以Deepfake為代表的偽造人臉技術(shù)，使用少量的人臉數(shù)據(jù)就能將視頻中的人臉替換成為目標(biāo)人臉,，從而達(dá)到偽造視頻的目的,。此類技術(shù)的濫用將帶來惡劣的社會(huì)影響，需要使用檢測(cè)技術(shù)加以制裁,。針對(duì)這一問題,，已有若干檢測(cè)算法被提出。現(xiàn)有方法具有一定局限性,，單幀檢測(cè)算法忽略了Deepfake動(dòng)態(tài)缺陷,；當(dāng)數(shù)據(jù)存在缺陷時(shí)，模型可能會(huì)陷入“學(xué)會(huì)特定臉”的陷阱中,。提出了一種對(duì)視頻數(shù)據(jù)中的Deepfake檢測(cè)方法,，使用結(jié)合CNN和LSTM的卷積LSTM,，判斷視頻真?zhèn)巍Ｌ岢隽艘环N基于人臉特征點(diǎn)的cutout方法,，能抑制網(wǎng)絡(luò)學(xué)會(huì)特定臉,。實(shí)驗(yàn)表明，在不同場(chǎng)景下,，準(zhǔn)確度對(duì)比基準(zhǔn)算法均有提升,。

發(fā)表于：4/15/2021 10:25:00 PM

基于KDMSPCS-GRNN的室內(nèi)定位技術(shù)研究[其他][其他]

針對(duì)利用廣義神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network，GRNN)搭建的定位預(yù)測(cè)模型定位精度低,、效率慢等問題,，基于動(dòng)態(tài)分群策略，提出一種線性遞減粒子群(Linear Decreasing Contraction Particle Swarm Optimization,，LDCPSO)和布谷鳥(Cuckoo Search,，CS)混合尋優(yōu)算法，并利用此算法為GRNN選擇最優(yōu)參數(shù),，構(gòu)建定位預(yù)測(cè)模型,。該算法主要利用K均值聚類算法(K-means)對(duì)整個(gè)種群進(jìn)行周期性的分群，底層使用LDCPSO算法優(yōu)化各個(gè)子群,，并將最優(yōu)粒子傳至高層,，高層使用CS算法優(yōu)化各個(gè)子群的最優(yōu)粒子，并將最終結(jié)果返回底層,，執(zhí)行下一次迭代,。實(shí)驗(yàn)過程中，一方面將提出的算法應(yīng)用于多個(gè)測(cè)試函數(shù),，結(jié)果表明該算法具有更好的收斂速度和收斂精度,；另一方面利用該算法搭建定位模型，并與其他定位模型對(duì)比,，結(jié)果顯示該定位模型具有更好的定位效果。

發(fā)表于：4/15/2021 10:21:00 PM