自组织人工神经元网络用于声图象识别的研究

本文通过实验研究了自组织人工神经元网络用于声图象识别的步骤和方法，讨论了在水声、超声医学等声图象识别中所遇到的一些关键性技术问题．     

第六届全国语音图象通讯信号处理学术会议在四川召开

由中国声学学会语言听觉和音乐声学分会、中国电子学会信号处理学会语音图象通信专业委员会与四川省电子学会联合主办、由电子工业部西南通信研究所承办的第六届全国语音图象通讯信号处理学术会议于今年九月分四日在四川省南坪县召开．首先由会议主席电子工业部西南通信研究所所长刘村友教授致开幕词，中国科学院声学研究所副所长侯朝焕研究员发表讲话．开幕式上最后由刘村友教授做题为“通信保护动向趋势”的大会报告，这个报告概括了当今国际上通信保护的主要问题，受到与会者的重视与欢迎，并进行了讨论，对通讯保护这一研究领域加深了认…     

基于改进U-Net的量子点STM图像分割

为提升量子点图像分割精度,降低特征识别误差,提出一种基于改进U-Net的量子点图像分割方法.首先,在预处理阶段,设计了以色彩通道为权值的灰度化算法,以提升后续分割效果.其次,在STM图像分割部分,在原始U-Net结构上引入中间过渡层以均衡网络各层特征.而后,建立数据集,并通过实验对比不同分割算法的精确度、召回率、F-measure.最后,将分割算法应用于量子点的特征识别,并测试了不同分割方式对应用的影响.实验结果显示,改进灰度化方法保留细节信息丰富,明显提升了量子点分割精度;改进U-Net的平均精确率、召回率、F-measure相较原始网络分别提升了13.83%、2.16%、8.13%.同时,实验数据表明由于分割精度的提升,量子点数量、纵横比等特征参数的识别更加精确.     

Tan-Charm粒子工厂

 所谓“Tau-Charm（t-C）粒子工厂”,是在低背景条件下极大量地产生t轻子和C（粲）粒子的加速器以及相关实验装置的总称。具体说,它包括一个工作能区3-5GeV、峰值亮度¹0³³cm（-2）s^-1的双环e⁺e^-对撞机和相应的高性能实验谱仪。t-C粒子工厂主要用来研究我们至今知之不多的三个费米子t、V_t轻子与C夸克的物理学。     

关于联立方程模型识别概念的思考

本文首先就经济计量学学科中有关联立方程模型识别问题中流行的几种识别概念提出质疑 ,之后给出笔者对识别概念的思考与表述 ,以及在此基础上识别条件的证明     

子图识别的层分解方法

子图识别问题(SRP)就是在一个图G中确定并寻找是否存在和另一个图H相同构的子图．本文将引入图的层分解概念，并以此为基础建立识别图的同构子图的算法．该算法的复杂性为O(n(△-1)^k-1)，其中△是图G的度，即G中点的最大度，n，k分别是图G，H的阶．     

拓扑余维数不超过2的(D4, S1)等变分歧问题的分类

应用奇点理论方法研究参数具有某种对称性的等变分歧问题. 给出了分歧参数具有S¹对称性、状态变量具有D₄对称性的等变分歧问题f:(R²×R²,(0,0)®R² 在拓扑余维数不超过2的条件下的分类, 并建立了相应的识别条件.     

光学特征识别

与数字图像识别技术相比，光学特征识别具有高速度、大容量信息处理的特点，因而成为实时识别技术发展的前沿．本文概述了光学特征识别的进展，讨论了 Ｖａｎｄｅｒ Ｌｕｇｔ匹配滤波和Ｊｏｉｎｉ变换相关识别方法的物理模型，介绍了利用空间光调制器的光电混合实时相关识别系统．     

融合多尺度特征的短时音频场景识别方法EI北大核心CSCD

为解决短时音频场景识别任务中识别性能差的问题,提出一种融合多尺度特征的音频场景识别方法。首先将双声道音频中左右声道的和差作为输入,并使用长时帧长进行分帧处理,以保证提取出的帧级特征中包含足够多的音频信息。然后将特征逐帧输入到融合多尺度特征的一维卷积神经网络中,以充分利用网络中不同尺度的浅层、中层和深层嵌入特征。最后综合所有帧级软标签得到短时音频的场景分类结果。实验结果表明,该方法在国际声学场景和事件检测与分类挑战赛(DCASE) 2021短时音频场景数据集上的准确率为79.02%,实现了该数据集上目前为止的最优性能。     

基于鬼成像的手写字体分类方法

针对手写字体特征提取难、识别效率低甚至错误的问题,提出一种结合鬼成像原理和分类网络的思想用于手写字体的识别。首先,使用激光器、数字微镜阵列、单像素探测器等搭建鬼成像探测系统,利用系列哈达玛散斑场分别实现对17 239幅手写字体的照射;其次,利用单像素探测器对手写字体透射的总光强值进行采集,并将其转换为一维向量作为网络训练的输入;最后基于卷积神经网络在图像分类的优势搭建网络架构且为解决训练过程中的网络退化问题加入残差块。实验结果表明：对于手写数字来说,全连接神经网络与卷积神经网络的精密度、召回率、F1值分别提高86.50%/97.25%、86.40%/98.03%、86.31%/97.60%;对于手写字母来说,卷积神经网络在全采样下的精密度、召回率、F1值分别为91.87%、90%、90.23%。该方法利用鬼成像原理,仅通过手写字体透射的总光强值而无需对手写字体的特征进行提取与识别便可进行快速分类,大幅提升了手写字体的识别效率。