多模态融合的深度学习脑肿瘤检测方法

针对目前传统方法脑肿瘤检测准确率低的问题,提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合,获取不同模态下的脑肿瘤病灶三维空间特征;然后在卷积层和池化层之间增加实列归一化层,提高网络的收敛速度,缓解过拟合的问题;并对损失函数进行改进,采用加权损失函数加强对病灶区域的特征学习;最后结合后处理方法解决假阳脑肿瘤病灶多的问题.实验结果表明:提出的脑肿瘤检测方法可有效进行肿瘤病灶定位;相关性系数、敏感性和特异性三种评价指标分别达到了0.926 7、0.928 1和0.997 7,与二维检测网络相比,提高了4.6%、3.96%和0.04%,较初始的单模态脑肿瘤检测方法提升了13.2%、10.42%和0.12%.     

以太无源光网络中面向多播业务的节能算法(英文)

在面向多播业务的以太无源光网络中引入光网络单元混合休眠模式,提出面向多播业务的节能算法和改进的面向多播业务的节能算法,使光网络单元空闲组件能够得到充分休眠,并通过约束条件降低光网络单元的唤醒次数,从而降低光网络单元能耗.改进的面向多播业务的算法与面向多播业务的算法相比,增加了光网络单元唤醒的约束条件,进一步降低了光网络单元的唤醒次数.仿真结果表明,与现有算法相比,所提算法在保证数据包时延的前提下更加节能.改进的面向多播业务的算法节能效果优于面向多播业务的算法,表明增加的约束条件有助于降低光网络单元的唤醒次数和能耗.     

可生存LR-PON中基于连接可用性的成本有效规划方法(英文)

聚焦长距离无源光网络生存性机制研究,针对单共享风险链路组故障提出一种基于连接可用性的成本有效规划方法.首先,设计了一种基于故障概率的连接可用性模型,计算每个光网络单元的连接可用性.对于不满足连接可用性要求的每个工作光网络单元,为其分配备用光网络单元,其中每个备用光网络单元需要为工作光网络单元预留备用容量.然后,在不同光网络单元之间部署备用光纤,确保每对工作和备用光网络单元之间至少存在一条备用光路径.当一个工作光网络单元因为光纤链路故障而遭遇连接中断时,可将其业务通过备用光路径转移到备用光网络单元承载.通过仿真对所提方法在备用光纤部署成本方面的性能进行了分析.结果表明,该方法能实现比传统邻居保护方法更低的备用光纤部署成本,可解决备用容量分配和备用光纤部署的联合优化问题,在满足连接可用性要求的前提下,通过最小的备用光纤部署成本实现所有业务完全保护.     

多模态磁共振脑肿瘤图像自动分割算法研究

脑肿瘤图像自动分割的难点在于肿瘤形态各异,且类别不平衡情况比较严重,常规的卷积神经网络难以预测出高精度分割图像。针对以上问题,在原始3D-Unet的基础上提出一种改进模型,以混合膨胀卷积模块代替常规卷积模块,指数级地增大神经元的感受野,同时减小网络深度,避免上采样时无法恢复小目标的情况。同时以混合损失函数代替原来的Dice损失函数,加强稀疏类分类错误时对模型的惩罚,迫使模型更好地学习分类错误的样本。实验结果表明,混合膨胀卷积模块与混合损失函数能分别提高整个肿瘤区域和肿瘤核心区域的预测精度,提出的3D-HDC-Unet模型改善了脑肿瘤自动分割的多项性能参数。     

基于低采样率模数转换器的延时复用频分多址无源光网络

基于正交频分复用技术的无源光网络中,光网络单元为了获得其所属小部分下行数据,需高采样率模数转换器将所有频宽的信号恢复才能分出其所需要数据.同时正交频分信号峰均比很高,传输中容易引起非线性效应.为此,本文提出一种基于低采样模数转换器的延时复用频分多址无源光网络.在光线路终端将数据序列交错排序并在时域映射为正交幅度调制信号;再通过离散傅里叶变换扩频技术,将信号转换为频域信号并映射到子载波上.通过预先发送和回传训练信号,估测包括延时采样和低采样接收在内的信道频响;再将频域信号利用估测信息在光线路终端做预处理,从而使信号传输中的失真得到有效预补偿.本文实验演示了含有多个光网络单元的系统,对于含有M个光网络单元的无源光网络,模数转换器的采样率可以降低到1/M Nyquist采样率,实验中模数转换器的采样率可以降低到1/32 Nyquist采样率;由于下行信号通过光线路终端预处理实现失真预补偿,光网络单元接收到的信号不需要均衡,不需要傅里叶变换和傅里叶逆变换,避免了与之对应的相关计算量,降低了光网络单元的计算复杂度;由于使用了扩频技术,信号波形具有更低的峰均比,从而降低了非线性对信号的影响,增加了功率预算.此外,随着光网络单元的增加,信号的误码率几乎没有增加,光网络单元个数增加到32时,向前纠错极限为10~(-3)的功率代价小于0.5 dB;系统对光网络单元采样时刻偏离具有一定容限;25 km光纤传输的功率代价大约0.5 dB.理论和实验均证明本方案能够简化光网络单元,降低无源光网络的成本;与传统的无源光网络相比具有明显优势.     

基于柔性电路板单纤双向光纤组件的以太无源光网络单元研制(英文)

随着宽带接入技术的发展,以太无源光网络是光纤到户的一种备选方案.而光网络单元数量众多,其成本成为限制以太无源光网络技术实施的重要影响因素.本文提出了一种低成本以太无源光网络单元实现方式:采用带柔性电路板的单纤双向光纤组件直接安装在光网络单元的电路板上.为了验证弯曲柔性电路板的高速性能没有恶化,采用有限元方法仿真了弯曲柔性电路板的小信号响应.由于该方式没有独立的光收发模块,无法采用比特误码分析仪进行测试,因此提出了采用网络测试仪搭建光网络单元的光信号性能测试系统的方案并实现了对光信号的性能测试.结果表明:对于发射机,在0℃~70℃的范围内得到了超过10dB的消光比和1dBm的平均发射功率;对于接收机,估算灵敏度为-27dBm.     

时频谱图和数据增强的水声信号深度学习目标识别方法

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用.该文提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的...     

基于光环路正交频分多址无源光网络的光拍频噪声避免方案及性能仿真(英文)

在正交频分多址无源光网络上行传输中,不同光网络单元的上行信号如果采用相同波长的不同激光器将会产生光拍频噪声,使得光网络单元的无色性难以实现.本文以正交频分多址无源光网络为研究对象,通过对系统结构的研究和相关公式的推导,分析了信号上行传输中光拍频噪声的产生原因和避免方式.针对下行发送上行载波结合光线路终端相干接收的光拍频噪声避免方案进行了仿真研究.分析了系统的抗色散方案以及色散累积和训练序列长度对系统性能的影响,给出了优化的参数设置,为系统实际应用提供了理论参考.     

基于MRI和深度学习的桥小脑角区脑膜瘤与听神经瘤分类算法研究

桥小脑角区脑膜瘤与听神经瘤是两种常见的脑部肿瘤,它们的临床表现和影像学表现极为相似,在临床诊断时极易发生误诊．将影像数据与深度学习方法相结合,建立脑膜瘤与听神经瘤的判别模型,可以为两种脑肿瘤的及时准确诊断提供重要手段．本文采集了307名脑肿瘤患者的T₁W-SE序列图像,通过对原始图像进行限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）等预处理,提升数据集图像质量,再经过建立的三维卷积神经网络（3-Dimensional Convolutional Neural Network,3D CNN）深度学习框架中图像特征的学习,实现对脑膜瘤与听神经瘤的分类．图像增强参数与网络结构参数经过优化后,对脑膜瘤与听神经瘤分类的准确率达到0.918 0,曲线下面积（Area Under Curve,AUC）为0.913 4,实现了对桥小脑角区脑膜瘤与听神经瘤的有效判别．     

深度学习背景下的高中物理单元教学——以匀变速直线运动为例

随着深度学习理念在教育领域的广泛应用,教育教学模式也在不断创新。本文以匀变速直线运动为例,从转变课程教学目标、创新教学方法、分组讨论与合作学习、学习评价多样化、课程整合等方面,探讨了深度学习背景下高中物理单元教学路径的优化和创新。     

基于FC-DenseNets-BC神经网络的光学水印重建方法

提出了一种基于深度学习的光学水印重建方法,通过双随机相位加密的方法实现水印的加密,并将加密图像嵌入到宿主图像中,然后利用原水印图像与含水印宿主图像之间的物理关系,训练改进的神经网络FC-DenseNets-BC,得到可以重建原水印图像的网络模型.在传统光学水印技术中,含水印宿主图像质量和解密水印图像质量依赖于嵌入强度的...     

基于深度学习的自适应光学波前传感技术研究综述

波前传感是自适应光学系统的重要组成部分,在地基大口径望远镜、激光大气传输、无线光通信、激光驱动核聚变等领域发挥了关键作用,同时也常应用于自由曲面的光学测量中。与此同时,深度学习作为一种较为通用的前沿技术,成功在计算机视觉、自然语言处理等众多领域取得了革命性进展。使用深度学习的方法改进自适应光学系统中的波前传感器,以期实现更精准的波前探测,以及适应更复杂的应用场景是自适应光学的发展趋势,也是深度学习应用领域的一个新课题。介绍了深度学习在自适应光学波前传感中的应用现状,主要分析了在相位反演波前传感器和哈特曼波前传感器中的研究特点,并在最后进行了总结和展望。     

多周期双啁啾镜结构的空间解波分复用器

以穿透深度依赖于入射波长的基本双啁啾结构为基础，通过对其中的布拉格膜对进行“周期 重复”的方法来提高空间线性侧向位移，从而实现不同波长的入射光的空间分离，用于高集成度的薄膜空间解波分复用器件的设计.比较了总层数相同的直接双啁啾结构和重复周期为n倍的改进结构，发现后者在理论设计更具有应用优势，同时在实验制作上有更高的容差性 .对空间色散特性曲线在周期重复数较大、入射波长较大的情况下所出现的强烈振荡做出了定性分析. 关键词： 双啁啾结构 空间色散 波分复用 薄膜器件     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

诱导提出高质量问题促进深度学习的教学策略——以“力的分解”教学为例

高质量问题是驱动学习的基石,诱导学生提出高质量问题并进行探究是促进深度学习的有效路径.文章提出：基于切身体验,诱导提出挑战性问题;基于互动引导,诱导提出本质性问题;基于合理质疑,诱导提出批判性问题;基于回顾反思,诱导提出整合性问题;基于问题解决,诱导提出拓展性问题的教学策略,并以“力的分解”教学为例进行具体应用.     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用.随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求.深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用.尽管深度学习在图像...     

40 Gbps OFDM-PON系统采用偏振复用技术实现上行链路传输(英文)

为了提高PM-CO-OFDM-PON系统中上行数据的传输速率,提出采用偏振复用结构与相干检测技术相结合,通过光载波源方式实现上行链路光网络单元无色化传输的技术方案.利用光学软件VPI和Matlab,搭建了基于偏振复用技术的40Gb/s PM-CO-OFDM-PON系统仿真平台,结果表明:该方案可有效提高PM-CO-OFDM-PON系统中上行数据传输速率,并实现光网络单元无色化;利用相干检测比直接检测可以更高地提高接收端的灵敏度.     

基于NPU的实时深度学习跟踪算法实现北大核心CSCD

深度学习在检测领域高速发展,但受限于训练数据和计算效率,在基于嵌入式平台的边缘计算领域,尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象,同时为满足现阶段国产化、智能化的技术需求,提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络,解决了网络模型无法在线更新的问题,提升了跟踪的准确性;在IoUNet损失函数中加入中心距离惩罚项,解决了IoUNet当IoU相同时位置跳跃,存在收敛盲区和收敛速度慢的问题;将训练后的网络通过通道剪枝,缩减网络模型尺寸,提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行,算法准确率高达0.90(IoU>0.7),帧率达到66 Hz。     

随机粗糙表面超声双透射研究

基于Fresnel近似及相屏近似理论建立了随机粗糙表面的声波双透射信号损失理论模型,提出采用指数替代法消除非线性积分项实现双透射信号损失的简单解析解。研究表明,观透射信号损失不仅与粗糙高度有关,而且与声波传播路径即缺陷深度有关。     

深度学习在高能物理领域中的应用

深度学习是一类通过多层信息抽象来学习复杂数据内在表示关系的机器学习算法。近年来,深度学习算法在物体识别和定位、语音识别等人工智能领域,取得了飞跃性进展。文章将首先介绍深度学习算法的基本原理及其在高能物理计算中应用的主要动机。然后结合实例综述卷积神经网络、递归神经网络和对抗生成网络等深度学习算法模型的应用。最后,文章将介绍深度学习与现有高能物理计算环境结合的现状、问题及一些思考。