课程文献中心 更多>>

关键词： 自适应统计迭代重建   儿童   低剂量   多层螺旋CT  

摘要： 目的 探讨多模型自适应统计迭代重建(ASiR-Ⅴ)算法在高原地区儿童超低剂量胸部CT检查中的应用价值。方法 收集西藏自治区人民医院行胸部CT检查的儿童患者,根据扫描条件分为两组:A组采用管电压100 kV,并进行ASiR-Ⅴ50%重建;B组采用管电压80 kV,分别进行ASiR-Ⅴ0(B1组)和ASiR-Ⅴ50%(B2组)重建,对各组图像质量进行主观及客观评分,比较各组的辐射剂量及图像质量。结果 A组和B组容积CT剂量指数分别为(2.33±0.62)、(0.86±0.01)mGy,两组比较差异有统计学意义(P<0.001),剂量长度乘积分别为(65.01±25.12)、(23.55±3.38)mGy·cm,两组比较差异有统计学意义(P<0.001)。肺窗B2组双上肺、双中肺噪声值低于B1组,但均高于A组(P均<0.001);各组肺窗图像质量评分比较差异均无统计学意义(P均>0.05)。纵隔窗A组、B1组和B2组升主动脉(P=0.538)和肝脏CT值(P=0.175)比较差异无统计学意义,B2组升主动脉和肝脏信噪比(P均<0.001)、对比噪声比(P均<0.001)均高于B1组,且低于A组(P均<0.05);纵隔窗图像质量评分A组高于B2组,且均高于B1组(P均<0.001)。结论 ASiR-Ⅴ联合低管电压在有效降低辐射剂量的同时,能够保障高原地区儿童胸部CT的图像质量。

关键词： 缺陷检测   YOLOv7-tiny   注意力机制   剪枝   知识蒸馏  

摘要： 针对工业硅钢片表面缺陷检测方法精度低、速度慢、所需算力高、模型部署困难等问题，设计了一种轻量级目标检测算法YOLOv7-GSS。该算法以YOLOv7-tiny为基础模型，先对其主干网络的ELAN模块进行重构，引入轻量化GSConv卷积和无参数SimAM注意力机制，并构建ELAN-GSS模块，以此减轻模型复杂度并保持精度。然后对改进模型进行剪枝操作，剪去模型中的冗余通道，从而减少模型参数量，使模型更加轻量化。最后，应用知识蒸馏辅助修剪后的模型训练以提高精度。实验结果表明，优化后的YOLOv7-GSS模型相比原模型，m AP(0.5)提升了1.3%，参数量减少了80.39%，每秒浮点运算次数减少了79.38%,FPS提高了44.75%；相较于其他目标检测模型，YOLOv7-GSS模型在检测速度和检测精度方面取得了良好的平衡，满足生产车间场景下对硅钢片进行实时、准确检测的需求，为嵌入到移动设备中提供了有利条件。

关键词： 网络切片   优先级   节点映射   链路映射   最短路径  

摘要： 针对网络切片映射过程中高优先级网络切片排队时间过长的问题，提出了一种基于优先级和最短路径的网络切片映射算法。该算法将网络切片的排队模型建模为优先级任务队列模型，队列分为高优先级与低优先级，建立网络切片映射问题的数学模型，明确优化目标为网络切片时延，将网络切片映射问题分解为节点映射子问题和链路映射子问题进行求解。在进行节点映射时，采用贪婪算法的思想，为优先级高的网络切片优先分配性能较高的资源，将虚拟网络功能映射到对应的设备中；完成节点映射后，采用最短路径算法进行链路映射。对PSP算法进行实验仿真，结果表明：PSP算法不仅明显降低了高优先级网络切片的处理时延，而且降低了网络切片的整体时延。

关键词： 合成孔径雷达   运动目标   局部自聚焦   子区域分割   CA-CFAR检测   DBSCAN聚类  

摘要： 运动目标的合成孔径雷达(Synthetic Aperture Radar，SAR)图像会发生偏移、模糊等现象，影响定位和识别。通过对速度进行估计，能够补偿数据相位误差，重新聚焦动目标。然而，当运动目标局部与整体运动状态不同时，传统重聚焦算法在局部微动区域会出现散焦现象，无法满足高分辨率成像的需求。由此本文提出一种基于目标检测的子区域自聚焦方法，通过对每个子区域进行局部相位误差估计，保证目标整体聚焦效果。首先利用传统动目标重聚焦方法进行粗聚焦，然后利用单元平均恒虚警率检测算法(Cell Averaging Constant False Alarm Rate，CA-CFAR)和基于密度的去噪空间聚类方法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)划分子区域，对子区域进行局部重聚焦，最后进行对齐、拼接得到完整的目标聚焦图像。通过对实际星载SAR的飞机目标观测数据进行处理，验证了该方法的有效性。

关键词： 目标识别   高分辨距离像   鲸鱼算法   双向门控循环神经网络   置信度  

摘要： 针对弹道中段目标高分辨距离像（high resolution range profile，HRRP）的时序特征提取和识别问题，提出了一种基于优化双向门控循环神经网络（bidirectional gate recurrent unit，BiGRU）的弹道目标识别方法。首先，将HRRP数据处理为双向序列，建立BiGRU网络并提取目标HRRP的双向时序特征；然后使用双权重策略鲸鱼算法（double weight strategy whale optimization algorithm，DWSWOA）优化BiGRU模型的参数，引入的双权重因子在WOA快速收敛的同时又有效避免陷入局部最优解。基于优化BiGRU模型的目标HRRP识别实验结果表明，所提出的算法相较于其他4种算法，目标识别准确度更高、并在噪声数据集上表现出更好的鲁棒性和可靠性。

关键词： 虚拟频带扩展   距离维波束形成   线性预测   最小二乘估计  

摘要： 在有限系统瞬时带宽下， 针对脉冲压缩处理距离分辨力受限的问题， 提出了两种虚拟频带扩展距离维波束形成算法。对接收信号频域输出进行多子带划分并消除自身固有相位， 利用子带间对应频点由目标距离带来的相移构成复指数等比数列这一特点， 使用划分的子带数据， 分别采用线性预测和最小二乘估计两种方法对信号进行虚拟子带预测， 其中线性预测以子带频域快拍为单位进行预测， 最小二乘估计以子带为单位进行预测， 利用扩展后的频带数据构建协方差矩阵， 结合距离维波束形成模型获得功率谱。所提两种算法在不改变发射带宽条件下， 使回波信号带宽在虚拟意义上得到扩展， 均可有效减小距离维主瓣宽度， 提高距离分辨性能。数值仿真和湖试数据分析结果验证了算法的有效性。

关键词： 可见光-红外目标跟踪   显著内容感知   相关滤波   深度特征   特征融合  

摘要： 为解决当前可见光和红外(RGB-thermal-infrared， RGB-T)视频的目标跟踪方法中目标矩形框不能很好地指明目标形状， 使得跟踪器参数训练未能充分关注目标部分， 以及单层深度特征难以兼顾类别语义信息和空间结构信息的问题， 提出一种显著内容感知的深度特征融合RGB-T目标跟踪算法. 首先针对可见光和红外2种模态， 提取并融合目标的显著图; 然后根据融合显著图优化空间正则项权重系数图， 加强显著区域中训练样本对滤波器训练的影响; 最后采用预训练的卷积神经网络分别提取2种模态的多层深度特征， 这些特征包含了丰富的类别语义信息和空间结构信息并在响应图阶段融合. 在RGB-T跟踪数据集GTOT和RGBT210上的实验结果表明， 该算法在跟踪精度上达到88.4%和72.7%， 在跟踪成功率上达到71.9%和51.0%， 与现有算法结果对比， 验证了该算法的有效性.

关键词： 低密度奇偶校验码   符号翻转   信道   动态加权  

摘要： 基于信道信息的加权修正系统，提出了一种动态加权多元低密度奇偶校验(LDPC)码译码算法，该算法根据信道信息对译码可靠度进行动态加权。首先，在可靠度因子中用加法运算代替了复杂度更高的实数乘法运算，从而降低了计算复杂度。其次，基于信道初始信息重新设计可靠度目标函数，使得译码迭代信息更加稳定可靠，从而提高了译码性能。进一步地，引入能够随着信噪比动态变化的加权系数，在译码过程中动态地修正和更新可靠度信息，从而获得性能提升。仿真结果显示，所提算法在性能上优于最近新提出的带预测的自适应单/多距离符号翻转解码算法。

关键词： 微流控生物芯片   完全可编程阀门阵列   物理故障   容错   高阶综合  

摘要： 作为新一代流式微流控生物芯片,完全可编程阀门阵列(FPVA)生物芯片具有更高的灵活性和可编程性,已经成为一种流行的生物化学实验平台.然而,由于环境或人为因素,制造过程中通常存在一些物理故障,如通道阻塞和泄漏,这无疑会影响生化检测的结果.此外,高阶综合作为架构综合的首要阶段,其结果的质量直接影响着后续设计的优劣.因此,该文首次研究了FPVA生物芯片高阶综合过程中的容错问题,提出了单元功能转换方法、双向冗余方法、故障映射方法等动态容错技术,为实现高效的容错设计提供了技术保障.通过将这些技术集成到高阶综合设计中,进一步实现了一种高质量的FPVA生物芯片下容错导向的高阶综合算法,包括故障感知的实时绑定策略和故障感知的优先级调度策略,为实现芯片架构的鲁棒性和检测结果的准确性奠定了良好的基础.实验结果显示,所提算法能够得到一个FPVA生物芯片下高质量且容错的高阶综合方案,为后续实现容错物理设计方案提供了有力保障.

关键词： 松属物种   近红外光谱   自编码器   一维连续卷积神经网络   鉴别  

摘要： 松属植物具有重要的生态和经济价值。但松属植物的基因组庞大、分子进化慢，物种的特征相似性极高，辨别难度大。为解决传统松属物种鉴别方法存在的成本高、耗时长、准确率低、操作复杂等问题，提出了一种基于松属近红外光谱数据（NIRS）并结合一维连续型卷积神经网络（1D-CS-CNN）与自编码技术的松属物种检测机制。首先，使用更高效率的连续型结构替代传统1D-CNN模型中隐含层结构，并针对松属NIRS数据适应性改进为1D-CS-CNN模型，使其可直接应用于一维NIRS数据。其次，结合自编码器的重构误差设计一种考虑未知类别的松属物种鉴别方法，通过待测样本的自编码重构误差来解决卷积神经网络置信度过高的问题，将修正的置信度与预先设定的阈值进行比较，判断该样本是否为未知品种。实验结果表明，1D-CS-CNN训练集与测试集准确率均达到近100%，损失值收敛为0.015，改进后的1D-CS-CNN模型识别速度更快；同时，自编码模型对未知类别松属检测机制识别率为99%。实验结果证明，该模型可快速高效分类出不同松属物种，同时检测出松属新物种。