多频信号的自适应随机共振检测方法

针对系统输入端待测信号为低频与中高频情形,分别建立了多频信号的自适应随机共振检测方法,即通过分析待测输入信号的频率特性和信号并行输入个数,对于低频信号,固定步长,自动调节系统参数;对于中高频信号,利用外加周期信号的频率,选取合适的测量指标来衡量随机共振现象的发生,并且寻求最优系统参数,在随机共振输出信号频域中提取待测信号的频率.与传统的自适应随机共振信号检测方法相比,采用色噪声,更符合实际背景,更精确地提取待测信号的频率.仿真结果与分析的一致,表明方法有效可行,有良好的应用前景.     

基于脉间频率步进信号的高频地波雷达回波信号处理

针对高频地波雷达探测海面低速移动目标的要求，研究了脉间频率步进高频雷达接收系统的结构，给出了回波信号的采集方式，推导出了相应的数学解析式；分析了利用滑动时间窗方法和二次FFT算法提取目标信息的原理，给出了获得目标的距离谱和速度多普勒谱的方法。模拟结果表明，该信号采集方式和处理方法能够保证系统要求的距离和速度分辨率，提高回波的信噪比，并能准确获得目标的距离和速度信息。研究结果为脉间频率步进高频雷达的设计提供了依据。     

弱信号提取中门积分器的设计

介绍动平稳仪中弱信号提取的门积分器的设计。讨论了门脉冲宽度（Ｔｇ）、信号周期（Ｔ）、时间常数（ＲＣ）和信噪比改善的关系，并在实际电路中进行了检测。     

电压幅值可达毫伏数量级的小信号峰值检测电路的设计

讨论了一般峰值检测电路的缺陷，提供了检测信号电压幅值可达毫伏数量级的小信号峰值检测的电路，并对其应用给出了例子。在实际工作中往往只需对波形的正向峰值进行检测，故只对正峰值检测电路进行讨论。由于小信号检测存在噪声干扰的问题，最后还对噪声处理进行了讨论。     

基于神经网络的异常入侵检测设计与实现

讨论了神经网络在异常入侵检测中的应用，提出神经网络的设计方法，给出了系统的结构和识别方法，重点论述了神经网络实现中各环节的技术问题．实验表明该识别方法能较大提高检测率和对入侵变异的自适应性．     

一种检测微弱正弦信号的新方法

基于混沌相平面变化检测弱信号的工作原理,通过分析Duffing方程的基本模型及其变换模型,提出了一种当多个被测弱信号频率接近时,通过改变参考信号频率进行弱信号检测的新方法,并给出了详细的理论和数学分析.仿真结果表明了该方法的有效性和可行性.     

低场核磁共振信号检测电路设计

核磁共振检测以其快速、不破坏样品、直观反映分子结构等优点在诸多领域有着非常广泛的应用. 针对核磁共振检测仪器价格昂贵、体积庞大、操作复杂、不便于实现现场检测等问题, 设计了一种面向小型化低成本低场核磁共振仪的核磁共振信号检测电路. 所提出的电路使用低噪声前置放大器实现传感信号放大, 基于锁定放大的微弱信号检测技术实现了对核磁共振回波信号的有效检测. 实际测试结果表明, 所设计的电路放大倍数高达20000倍, 在高倍噪声的干扰下能够准确检测出幅度在5μV及以上的有用信号. 所提出的低场核磁共振信号检测电路对于发展低成本核磁共振仪器具有较好的应用价值.     

可分辨信号空间理论Ⅱ.信号重构

对可分辨信号空间，建立了谱、谱中心、谱半径的概念并证明了它们的内蕴性．围绕信号采样和重构的时移稳定性问题，给出了可分辨信号空间可平移性的谱刻画．同时给出了可平移性的度量函数及其计算公式．对一般的采样（规则的和不规则的），建立了信号重构定理     

吞水音信号的数字分析系统

本文介绍了由PC/XT微机构成的吞水音信号数字分析系统。系统实现了在高噪声中提取吞水音信号并对信号进行时域和频域分析,用正负峰值采集法实现了小内存完成大批数据采集,能在无汉字系统支持下实现汉字输入和显示,并可在打印机上获得高质量的吞水音图。     

非平稳信号时频分析的重排方法及其在语音信号处理中的应用

介绍了非平稳信号时频联合分析中的重排方法。该方法的关键之处在于将代表信号局部能量分布的非线性卷积的值由卷积核的几何中心重排到其质量中心，从而提高时频表示的可读性。给出了几个例子来说明重排方法的应用效果。最后介绍了重排方法在语音信号处理中的应用。     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.     

基于改进卷积神经网络的数控机床旋转轴热误差建模方法

为对五轴数控机床旋转轴的热误差进行更精确地预测,解决变工况条件下预测精度不佳与热误差数据获取困难的问题,提出了基于改进卷积神经网络的热误差建模方法.采用激光干涉仪与热成像仪采集不同温度下的角度定位误差与热图像,对热误差进行傅里叶函数拟合,将预测目标由不同角度下的热误差转变为拟合函数参数.在VGG网络模型架构上,引入SKNet注意力机制,以提高模型对变工况下的热图像特征提取水平,并采用全局平均池化代替全连接层,以改善过拟合情况.将建立的模型用于热误差预测,结果表明,旋转轴热误差预测RMSE在升温状态下为8.36″,降温条件下为9.57″,预测精度达90%以上,优于普通卷积神经网络模型.结果证实了所提方法在旋转轴热误差建模中的有效性.     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

具有变时滞的脉冲细胞神经网络的指数稳定性

研究了带有脉冲影响的变时滞细胞神经网络的指数稳定性,利用李雅普诺夫函数和Young不等式,得到了神经网络指数稳定的充分条件。最后给出数值实例来验证理论结果的正确性和有效性。     

一种基于高阶互累计量的遗传盲反卷积算法

提出了一种基于高阶互累计量的遗传盲反卷积算法,旨在解决现有许多基于独立分量分析盲反卷积算法中存在的两个共同缺陷.一是算法中引入的非线性函数依赖于源信号的峭度性质,当观测信号为超高斯信号与亚高斯信号的卷积混合时,算法性能急剧下降.二是算法中大多采用梯度法对分离矩阵序列进行寻优,初始值和步长的设定对搜索性能影响较大,使得寻优过程易陷入局部极优值,从而降低算法的分离效果.在阐述了算法的相关原理和设计思路之后,通过对比试验验证了算法的正确性和有效性.     

高聚物计及损伤演化的动态变形和断裂

实验结果表明：高聚物在高应变率下的率相关的变形过程通常伴随着内部损伤的演化，这种演化导致了高聚物的最后断裂．采用改进了的熔丝网络模型及蒙特卡罗随机方法进行的数值模拟以及基于热激活机理所作的分析，得出了率相关的损伤演化律．相应地导出了计及损伤的率相关的非线性粘弹性本构关系，以考虑损伤弱化效应．进而提出了一个动态断裂判据，其同时与应变、应变率相关。采用SHPB技术与反向传播神经网络相结合的新方法，进一步证实了上述主要结果．     

Hopf field网络解TSP的改进算法

本文提出用神经网络解旅行商问题(TSP>的改进算法。简化了Hopfield神经网络的能量函数并讨论了Euler法取大步长时的迭代性质.计算机模拟表明主要有两大优点:一是迅速收敛到一个解，二是易获得有效路径.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题,提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性,提出基于快速神经网络架构搜索（neural architecture search,NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法,在预设的搜索空间中搜索最优网络结构,进行图像水印的高效嵌入与鲁棒提取。首先,将子网络中线性连接的全卷积层设置为独立的神经单元结构,并参数化表示结构单元内节点的连接,预先设定结构单元内每个神经元操作的搜索空间;其次,在完成一个批次的数据集训练后,依据神经元操作中的被采样次数和平均损失函数值动态更新概率;最后,重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上,大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑,本文算法具有较高的时间性能和较好的实验效果,在隐藏图像时,对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验,对比发现,本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著;在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著,特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。