基于神经网络的可见光通信系统信道估计方法

针对现有的非对称限幅光正交频分复用（ACO-OFDM）可见光通信（VLC）系统中信道估计方法存在导频数量过大、精度低、估计效率不高的问题,提出一种基于深度神经网络（DNN）的VLC信道估计方法。利用梯度集中化（GC）方法进行模型优化,并采用端到端的方式跟踪信道信息并恢复失真信号。仿真结果表明：所提方法的误码率（BER）和均方误差（MSE）性能均优于传统方法;在使用较少的导频和省略循环前缀（CP）进行信道估计时,所提方法具有更强的鲁棒性。此外,在DNN训练过程中引入GC方法,可以加快网络的收敛速度,提高其优化能力。     

阵不变量匹配主动声呐目标深度辨识

水面/水下目标深度辨识可以在主动声呐探测过程中快速筛选感兴趣目标。根据目标多径返回信号到达时间与目标深度的关联性,该文提出了基于水平线阵的主动脉冲响应匹配目标深度辨识方法,该方法利用主动信号传播特性结合阵不变量理论提取脉冲响应,并与拷贝声场匹配实现目标深度估计。在校正了目标多径回波的方位变化后,该方法提取的时域特征较为稳定,并且只在时延估计距离处进行深度搜索。通过水平阵收集的宽带实验数据,在连续的多次回波中实现了对水面/水下目标92%的辨识成功率,验证了该方法在浅海环境下的目标深度估计能力。     

基于深度学习的材料超声回波衰减预测方法

材料超声回波衰减是评价材料均匀一致性的常用方法, 针对具有复杂结构的航空发动机盘件难以进行材料底面超声回波衰减评价的问题, 本文提出了利用超声背散射波信号直接预测底面回波衰减的方法。采用10MHz聚焦探头进行超声背散射波数据的采集, 利用深度学习技术构建和训练模型,建立了基于深度学习的材料底面回波衰减预测方法, 同时讨论了采用不同信号形式的超声波信号分类识别模型的准确率差异。研究发现：基于深度学习技术可实现通过超声背散射波预测材料的底面回波衰减, 预测结果和实际底面回波衰减试验结果具有良好的一致性。     

Att-U-Net：融合注意力机制的U-Net骨导语声增强*

近年来大量全卷积网络、U-Net等编解码网络结构应用于语音增强,它们具有计算复杂度低、模型参数少等优势。然而,与长短时记忆模型等方法相比,这些编解码结构仍存在不能充分利用先后时间之间和高低频率之间的关联信息等缺点,尤其对于长序列数据的输入,编解码结构存在信息丢失的问题。为保持计算效率的同时考虑更充分的时频关联信息建模,本文提出一种融合注意力机制的U-Net网络的骨导语音增强方法（Att-U-Net）,通过在跳跃连接中引入注意力机制,生成一个权重矩阵,将编码层中的全局信息根据权重融入对应的解码层中,使网络在编解码过程中能够关注输入数据中与增强目标相关程度高的重要信息,同时抑制不相关的信息。在骨导语音数据集上的实验表明,融合注意力机制的U-Net网络能在保持模型轻量化的同时有效提升骨导语音的增强效果,增强后的语音在各项客观评价指标上均优于基线模型。通过对编解码网络中间层的可视化分析发现,在解码过程中注意力机制有效地保留了有声段的信息,滤除了骨导语音由于骨导传声特性带来的中频共振,从而使得增强后的骨导语音具有较好的听觉效果。     

基于PCAU-Net的快速多通道磁共振成像方法

多通道磁共振成像方法采用多个接收线圈同时欠采样k空间以加快成像速度,并基于后处理算法重建图像,但在较高加速因子时,其图像重建质量仍然较差．本文提出了一种基于PCAU-Net的快速多通道磁共振成像方法,将单通道实数U型卷积神经网络拓展到多通道复数卷积神经网络,设计了一种结构不对称的U型网络结构,通过在解码部分减小网络规模以降低模型的复杂度．PCAU-Net网络在跳跃连接前增加了1×1卷积,以实现跨通道信息交互．输入和输出之间利用残差连接为误差的反向传播提供捷径．实验结果表明,使用规则和随机采样模板,在不同加速因子时,相比常规的GRAPPA重建算法和SPIRiT重建方法,本文提出的PCAU-Net方法可高质量重建出磁共振复数图像,并且相比于PCU-Net方法,PCAU-Net减少了模型参数、缩短了训练时间．     

基于最小Csiszár’s I-散度的高精度深度定位方法*

模态波束形成技术可用于水下目标定位,在深度定位方面,其定位精度(百米量级)往往不能满足实际需求;因此,高精度的深度定位方法需要被探索。传统高精度估计方法,如最小方差无畸变响应,面临着许多问题,如需要大量的快拍样本数等。最小Csiszár’s I-散度的迭代算法可以解决线性系统的求逆问题,但需满足系统的非负性条件,在图像的去模糊领域已得到广泛应用。该文将此算法和模态波束形成技术相结合,提出了一种新的高精度深度定位方法。基于SWellEx-96实验的海洋环境参数,分别用仿真和实验数据验证了该方法的以下性能：实现深度的高精度定位且抑制旁瓣能量;在小快拍数的情况下,深度定位性能良好。     

基于改进U-Net++和近红外光谱技术的羊毛含量快速定性分析方法研究

羊毛制品因其柔软、保暖性好等优点广受欢迎,羊毛含量是衡量这类产品质量的重要依据。目前市场上羊毛制品质量参差不齐,传统检测方法具有破坏性大、主观性强等缺点,已无法满足实时快速评估目标羊毛制品质量情况的需求。近红外光谱技术是一种无需破坏样品结构、可模型封装操作的快速测量方法。将近红外光谱技术和深度学习技术融合,提出了一种基于注意力机制和U-Net++网络的羊毛含量快速定性分析方法。在数据准备方面,使用手持便携式光谱仪采集羊毛制品样本的光谱数据,其波段范围为908.1～1 676.2 nm,并根据其含量的不同对原始样本进行了等级划分。为减少光谱采集方式对建模数据集的影响,针对同一样本在距探头5, 6, 8, 9和19 mm 5种高度,分别采集了5次光谱数据,并使用马氏距离法剔除异常样本,最终共5 125组光谱数据用于建模。在模型选择方面,U-Net++网络可通过下采样、跳跃连接和上采样等环节实现对光谱数据的特征提取,并进一步对样本进行分类预测。然而,该网络使用了大量密集的跳跃连接,易产生模型参数冗余、低层特征被重复使用等问题。鉴于此,在原始网络的基础上引入了注意力门控模块,可以更有效地提取特...     

基于改进1D-VD-CNN与近红外光谱数据的金银花产地溯源研究

金银花是清热解毒必备良药,市面上金银花来源复杂,最著名的山东平邑产金银花在市场上常遭造假。已有的鉴别方法大多耗时长、成本高且操作复杂,亟需一种快速高效的金银花产地溯源方法。针对应用在金银花鉴别中的近红外光谱(NIRS)数据的一维卷积神经网络(1D-CNN)鉴别模型存在参数量过大、模型效率过于低下、计算复杂度高,同时易产生过拟合问题,对传统1D-CNN结构作出改进。使用效率较高的VD(Very Deep)结构替代传统1D-CNN中隐含层结构,并针对NIRS数据适应性改进,使其可直接应用于一维NIRS数据。改进分为三步：(1)将特征层的设计转为2个约束优化设计：第一约束条件设每个卷积层C值(卷积核与感受野的大小比值)为1/6,可提高网络模型效率;第二约束条件取顶层感受野大小为数据向量大小,实现更深层数据特征提取,并减小过拟合。(2)通过降采样把特征层输出特征向量缩小至较小的尺寸;(3)使用两个1×5大小的卷积层和一个带有Dropout的池化层将数据大小降采样到只有一个矢量的向量替代分类作用的全连接层,进而减小参数量。采集河南、山东、河北、重庆主要产地出产的金银花为样品500份。测试光谱范围...     

基于智能算法的冷水机组优化运行研究

以南方某机场航站楼冷源系统为研究对象,采用深度神经网络建立了两种不同类型冷水机组的运行能效模型,并将冷却水出水温度模型与冷水机组能效模型进行耦合,以冷源系统能耗最低为目标,采用布谷鸟搜索算法优化了冷源系统的运行参数、冷水机组与冷却塔的组合方式。研究结果表明：采用深度神经网络建立的冷水机组模型具有较高的精度和泛化能力,与原运行方式对比,采用布谷鸟搜索算法优化的方法在夏季典型日最高节能19.6%,具有较高的节能效果。     

利用激光背向散射成像的马铃薯品质智能分级

激光背向散射成像是激光与生物组织相互作用产生散射光的成像,在农产品的品质分类中有着广泛的应用。利用激光背向散射成像技术与深度学习,实现马铃薯在不同存储情况下的品质分类。对激光背向散射进行理论分析,搭建激光背向散射成像的数据采集系统,对马铃薯样品进行激光背向散射图像采集,得到新鲜马铃薯、冰箱存储与室温存储马铃薯的激光背向散射成像数据集。对数据集利用改进后的VGG16网络进行训练,并与DenseNet121网络、原始VGG16网络的训练结果进行对比。结果显示,改进后的VGG16网络对数据集的分类准确率为95.33%。由此表明,激光背向散射成像结合深度学习可以实现马铃薯品质的智能分级。