一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

结合多尺度特征和注意力机制的公路裂缝检测

由于航拍公路裂缝数据缺乏并且裂缝图像存在目标小、分布复杂的特点,导致语义分割模型在航拍公路裂缝检测中效果差,影响模型在实际场景的应用,为此提出基于改进DeeplabV3+的公路裂缝检测方法。构建语义分割模型,选定DeeplabV3+模型并作如下优化：由于低级特征包含更多裂缝细节信息,增加了提取低级特征的路径,从ASPP模块输出的特征为高级特征,高级特征包含更多语义信息,将两者信息进行融合能保证模型不丢失裂缝的细节信息;在网络中嵌入SCSE注意力模块抑制对其他无关信息的响应,改善模型在裂缝数据集检测效果差的问题。实验结果表明,改进DeeplabV3+算法可以有效解决模型对小目标裂缝分割时效果差的问题,模型的检测精度提高了2.59%,具有较强的应用价值,可以为实际公路裂缝检测提供参考。     

基于时序时空双流卷积的异常行为识别

针对地铁站特定场合下,人体异常行为识别无法有效利用帧间运动时间维度信息,导致人体异常行为识别准确率不高的问题,提出一种深层次残差长短期双流网络结构。将RGB帧和连续光流帧作为双流网络的输入,分别利用ResNet34提取低层特征信息,空间流网络提取运动外观特征信息,时间流网络提取光流运动信息,然后将特征信息输入长短期记忆（LSTM）网络,有效学习空间外观和光流运动的帧间关联时间信息,并且通过多种加权融合策略加强模型识别效果。最后在地铁站异常行为数据集上验证提出的网络结构,并与原双流网络进行对比,改进后的网络识别准确率提高了4.7%,融合后的模型准确率提高了12.9%。实验结果表明,所提方法能够充分利用时间维度信息,可有效提高异常行为识别准确率,在昏暗环境下仍有较好的识别效果。     

针对ＬＳＢ隐写的语音隐写分析方法

本研究对常用的最低有效位(LSB)隐写技术进行了隐写分析。在目前的网络环境中,检测低嵌入率语音隐写信号仍然是一个非常有挑战性的课题。近年来,神经网络模型在许多课题中都取得了显著的性能。神经网络的主流架构包括卷积神经网络(Convolution neural Networks, CNNs)和循环神经网络(Recurrent neural Networks, RNNs),这两种网络采用了不同的方式来理解各种信号。本文提出了一种合适的方法来结合这两种架构的优点,然后构造了一个新的模型,即CNN-LSTM网络来检测基于LSB的隐写方法。在本文提出的模型中,使用双向长短时记忆循环神经网络(BiLSTM)来捕获信号的长时间上下文信息,然后使用CNN捕获局部特征和全局特征。实验结果表明,该模型相较对比方法对于基于LSB的隐写分析达到了更好的效果。     

基于退役电池筛选的综合评价方法研究

退役电池作为储能系统、低速电动车等领域的主要动力来源,其筛选成组时需满足内阻、电压、容量等各种特征参数相似。而如何客观、准确地获取综合性能指标值是其合理筛选成组的重要保障。以NCR18650B退役电池为研究对象,获取其初始剩余容量、欧姆内阻、极化内阻电容等参数为综合评价指标。基于熵权法分析各因素对退役电池的影响程度得到各指标权重,再与灰度关联分析法相结合,对数据进行归一化处理与关联度计算,建立退役电池综合性能评价体系,完成退役电池间的筛选。最后将筛选成组的退役电池进行循环充放电测试,得到其容量衰减图,验证该综合评价方法的可行性。     

稀疏阵列波达方向估计研究进展

波达方向(direction of arrival, DOA)估计是阵列信号处理领域的重要研究方向,也是电子侦察与电子攻击领域的关键技术之一。以提高DOA估计精度和降低计算复杂度为导向,结合模型驱动和数据驱动方法的各自优势,提出了基于深度展开网络的DOA估计统一框架,阐述了稀疏阵列离网格DOA估计、无网格DOA估计以及混合信号参数估计等方面的研究进展。对复杂信号模型下的DOA估计、深度展开网络性能分析与挖掘以及分布式稀疏阵列回波信号融合处理等后续的研究内容进行了展望。     

深度学习在IP网络优化中的应用

随着新型业务涌现和IP网络技术的不断演进,云网融合步入新阶段,展现出数字化、智能化和服务化的发展特征。其中智能化需要结合相关的人工智能技术,而深度学习和深度强化学习是常用的人工智能算法。图神经网络等技术的发展,也使得深度学习和深度强化学习分别在图信息表示和最优化问题处理方面的能力得到本质提升。IP网络可以用图结构抽象化表示,相关的预测和优化问题可以用深度学习和深度强化学习算法处理和求解。因此阐述了深度学习和深度强化学习在流量预测、网络规划和流量工程3个场景下的相关算法与应用,分析了在实践过程中可能面临的问题与挑战。     

居民区高层5G深度覆盖质量分析方法解析

随着我国通信技术的发展,基站建设数量快速增长,尤其是5G基站的数量和密度不断增加。在我国,5G网络覆盖已经从城市向农村扩展,随着国家“乡村振兴”战略的实施和新基建投资力度的加大,农村5G发展如火如荼。随着5G网络建设的速度越来越快,基站站址资源紧缺的问题日益凸显。如何利用有限的站点资源来合理规划5G网络布局,成为一项重要的工作任务。 目前,5G室内分布系统已在部分小区内大规模应用,通过对已有基站站址进行梳理和优化,实现了高密度、高杆率、高覆盖。随着小区的增加,小区内多个5G微站相互影响、站点资源浪费严重等问题也日益凸显。在高层住宅小区中引入5G微站,可以有效解决这些问题,但其在实际应用中,由于设备成本及施工难度高、覆盖范围大等因素,因此导致基站部署存在一定困难。     

基于峰宽修正的玻璃药瓶内氧气残留浓度的检测研究

玻璃药瓶中的氧气残留对瓶中药品的无菌特性造成了严重的威胁。采用波长调制光谱（Wavelength Modulated Spectrum, WMS）技术解调得到的二次谐波信号峰高值作为氧浓度反演的基础。然而,在用二次谐波信号测量气体浓度时,由于调制深度的变化会导致二次谐波峰值的变化,这通常会给系统带来误差,进而降低浓度的反演精度。而调制深度受调制电流波动、温度和压强变化等因素的影响不能直接计算获得进而修正。针对这一问题,本文成功地将调制深度与二次谐波峰高的关系转换为二次谐波峰宽和峰高的关系。然后,利用峰宽校正后的谐波峰高对气体浓度进行反演。初步实验表明,利用峰宽校正后的谐波峰高对瓶内气体浓度进行预测的准确性提高了2.1%,且系统的整体鲁棒性也得以提升。本文提出的校正方法不需要系统参数信息与气体成分信息,可以直接从谐波信号本身出发对调制深度进行校正,十分适合于工业现场的在线氧气浓度预测。