课程文献中心 更多>>

关键词： 低信噪比   未知中心频率   改进小波阈值   小波能量比   调制识别  

摘要： 为了提高低信噪比下采样率受限且中心频率未知的通信信号质量，提高识别性能，本文实现了中心频率的自适应估计并提出了一种改进的小波降噪算法。中心频率估计部分利用11类通信信号在功率谱上的差异实现粗分类，基于不同分类结果对频率居中法进行改进以实现中心频率的估计。改进的小波降噪算法一方面针对软硬阈值函数存在的问题提出一种参数可调且连续的改进小波阈值函数；另一方面采用小波能量比刻画不同中心频率的通信信号小波系数能量分布，根据大小对小波系数采取不同的处理方法；最后，针对11类通信信号，在[-10，10]dB的信噪比范围内进行了调制识别实验。仿真结果表明，本文所提降噪算法对11类通信信号都有显著的降噪效果，在[-10，0]dB的信噪比范围内相较于未降噪时的信号平均识别率提升了10%-40%。

关键词： 缺陷检测   YOLOv8n   多分支特征聚合网络   跨维度聚合模块   可变形多头注意力机制  

摘要： 针对现有钢材表面缺陷检测算法资源消耗较大、检测精度和效率较低等问题，提出一种基于YOLOv8n的高效钢材缺陷检测算法(DCD-YOLOv8n)。该方法一是设计轻量化的多分支特征聚合网络，有效精简模型体积并提升检测速度；二是利用跨维度聚合模块，通过自适应机制建模多维度特征，以提升检测精度；三是采用可变形多头注意力机制，动态调整注意力的形状和范围，有效应对形态多样和结构复杂的缺陷特征，从而提升检测性能。在Severstal和NEU-DET钢材缺陷数据集上进行实验验证，相较于YOLOv8n算法，DCD-YOLOv8n算法的mAP分别提高2.4%和1.9%；参数量和复杂度分别降低0.5M和1.9G；FPS分别提升22帧和7帧。实验结果表明，本文算法在平衡计算开销、检测精度和效率方面表现优异，具有一定的实际部署应用价值。

关键词： 可重复使用运载飞行器   在线再入轨迹规划   改进RRT*   多约束  

摘要： 针对多约束条件下可重复使用运载飞行器（Reusable Launch Vehicle， RLV）的再入返回问题提出了一种基于快速探索随机树（Rapidly-exploring Random Tree*， RRT*）算法的轨迹规划方法。在纵向剖面规划中，根据动压、过载、热流率和平衡滑翔条件约束，在高度-速度空间构建多约束飞行走廊。为了获得平滑、可控的纵向参考轨迹，提出了三种代价用以改进现有的RRT*算法，即控制代价、轨迹代价和航程代价。在横向剖面规划中，采用滚转角反转策略保证找到一个可行的反转点，使得横向轨迹到达航向对准圆（Heading Alignment Circle， HAC），实现三维轨迹设计。该算法将多约束条件下的再入轨迹规划问题转化为RRT*算法中的路径代价设置问题，大大提高了轨迹规划的速度和可靠性。仿真结果表明，所设计的参考轨迹较为平滑，逻辑简单，易于在工程中实现。

关键词： 油井   采油   抽油机井   动液面   预测模型   机器学习   皮尔逊相关系数   神经网络  

摘要： （目的意义）为解决抽油机井动液面传统人工测试方法劳动强度大、测试频次低、测试成本高等问题，（方法过程）文章利用皮尔逊相关系数分析方法，分析了29项抽油机井自动采集特征参量与实测动液面的相关性，确定了13项主控特征参量；应用XGBoost、LightGBM及BP神经网络等机器学习方法，分别创建了抽油机井动液面预测模型，通过对三种模型输入13项主控特征参量，评价了三种模型的动液面预测结果，发现单一预测模型无法适应全部抽油机井，因此建立了基于上述三种预测模型的变权重组合模型。（结果现象）长庆油田现场多轮次应用显示：与传统人工测试方法对比，平均相对误差在5%以内，测试效率提升15万倍以上，劳动强度降低90%以上，测试频次高出2000多倍，测试成本降低96%。（结论建议）变权重组合动液面预测模型切实解决了传统人工测试方法劳动强度大、测试频次低、测试成本高等问题，为国内油田动液面测试提供了新思路。

关键词： 海上低照度图像   自校准光照学习   注意力机制   照明调整   批量通道归一化   图像质量评价  

摘要： [目的]为了解决现有海上低照度图像增强算法存在的亮度提升不足、清晰度低、色彩失真等问题，提出一种基于改进自校准光照学习的海上低照度图像增强算法。[方法]在自校准光照学习算法的基础上，通过引入注意力机制对低照度图像中光照不均匀区域进行不同程度的增强；构建照明调整模块对光照学习过程的中间输出进行二次开发；引入去噪模块改进黑暗区域的噪声会随着亮度的增强而放大的问题；将批量归一化(BN)改变为批量通道归一化(BCN)，该归一化方式利用通道和批次维度，自适应地组合归一化输出。通过主客观两方面进行图像质量评价。[结果]3个测试集的实验结果表明，改进算法不仅提高了图像亮度，并且增强结果的色彩丰富度较高，无色彩失真；与未改进原始算法相比，标准差平均提升了20.01%，自然图像质量评价降低了9.16%，平均梯度和信息熵分别提升了23.68%和6.46%。[结论]改进算法在图像视觉质量方面取得了突破，使得不同环境下的海上低照度图像都能达到较好的增强效果。

关键词： 模数转换器   非线性谐波校正   最小均方算法   后台校正算法  

摘要： 当前大规模MIMO及数字波束赋形相控阵天线等通信设备的集成度、系统带宽不断提升。数字通道集成度的提升使得模数转换器的成本、功耗成为系统设计性价比提升的关键。模数转换器的降功耗、降成本设计往往伴随着模拟性能下降，影响接收杂散抑制度（SFDR）等关键性能指标；系统带宽的增大，使得接收链路受阻塞信号的干扰概率变大，其引发的模数转换器非线性成分更容易影响到接收业务信号。因此，对模拟失真的数字补偿算法是当前研究方向之一。本文提出一种针对接收模数转换器N次非线性谐波的后台校正算法和逻辑实现方案。相比业内大部分校正方案，本方案无需依赖外部校正信号，可直接利用接收接收信号基于最小均方算法进行实时后台校正。而且本方案可通过软件配置，灵活实现任意一种小于等于5阶的非线性谐波校正，无需调整硬件架构。最后通过定点仿真，给出本方案针对不同谐波成分的算法校正性能以及相对业内其它方案的优势。

关键词： 天文定位   星图识别   Voronoi图   导航星表  

摘要： 传统模式识别类星图识别算法需要预先设置参数且在高极限星等条件下速度慢，本文提出一种基于维诺（Voronoi）图的星图识别算法。算法提取星图中的恒星，将其归一化为球面点集，并计算构成的对应的Voronoi图和邻边多边形的周长、面积和边数，将这些特征组合为恒星的识别特征。然后将特征与导航星表进行匹配，并根据匹配结果计算指向。模拟实验表明了本算法的有效性，并得到不同条件下的匹配率和运行时间，最优情况下小于100ms。实验得出了本文算法在不同视场和极限星等下的识别率，并给出了最优组合。实验测试验证了位置噪声和伪星缺失星对算法匹配率的影响，算法在1‰位置误差条下匹配率基本不降低。通过与环径向分布特征星图识别算法对比，证明了本文算法相较传统模式识别类星图识别算法，识别率更高，识别时间更短且具有更好的抗位置噪声性能，且具有无需设定和调整参数的优点。

关键词： 放射性废物桶   层析γ扫描   迭代算法   图像反演  

摘要： 层析γ扫描技术（Tomographic Gamma Scanning，TGS）是目前最为先进的桶装放射性废物γ无损检测技术之一，对于投影数据欠采样条件下的TGS图像反演，传统迭代算法不再适用。本文将基于压缩感知理论的MLEM-TVM算法应用于废物桶TGS图像反演中，在传统MLEM算法迭代的基础上增加TVM迭代过程，提高投影数据欠采样条件下的TGS图像反演的准确性。结合阵列碲锌镉探测器的TGS系统、桶内介质与核素，利用蒙特卡罗程序MCNP5开展废物桶TGS扫描实验模拟，分别采用MLEM算法和MLEM-TVM算法反演桶内介质线衰减系数分布图像和核素活度分布图像，结果表明：MLEM-TVM算法反演桶内介质线衰减系数分布图像的均方差约为MLEM算法的0.18倍，信噪比约为MLEM算法的2.19倍，同时MLEM-TVM算法反演桶内核素137Cs、60Co总活度值也比MLEM算法更加接近实际值。该方法在兼具较高的TGS检测效率、较好的核素识别能力和成像质量方面具有一定参考意义。

关键词： 一维下料问题   精确解   分步式优化算法   线性规划  

摘要： 企业在使用线性规划方法求解一维下料问题的过程中,由于难以生成所有可行切割模式而通常采用不等式约束求解,这将导致结果与需求订单中零件数量出现不一致的问题。针对这一问题,该文提出了一种求解一维下料问题精确解的分步式优化算法。首先,通过限制切割模式数量和利用率的有限切割模式模型对零件数量作不等式约束求解,得到初步结果;然后,对结果进行两次筛选,得到一个包含多余零件的最优切割模式集合;最后,将最优切割模式集合拆分成子问题,对子问题生成所有可行切割模式并对零件数量作等式约束求解,最终得到一维下料问题的精确解。计算结果表明,分步式优化算法计算的结果能够准确地对应零件的种类和数量需求,计算速度更快,适应性更广。

关键词： 人群计数   深度学习   多尺度特征提取   注意力机制   密度图  

摘要： 针对人群计数面临的人头尺寸不统一、人群密度分布不均匀、背景复杂干扰等问题,提出一种解决多尺度变化加强关注人群区域的卷积神经网络模型(multi-scale feature weighted fusion attention convolutional neural network, MSFANet).该网络前端采用改进的VGG-16模型对输入人群图像做第1步的粗粒度特征提取,中间加入多尺度特征提取模块提取图像的多尺度特征信息.随后添加注意力模块对多尺度特征进行特征加权.后端利用锯齿状空洞卷积模块增大感受野,以提取图像的细节特征,生成高质量的人群密度图.对该模型在3个公开数据集上进行实验,结果显示,在Shanghai Tech Part B数据集上MAE (平均绝对误差)达到7.8, MSE (均方误差)达到12.5.在Shanghai Tech Part A数据集上MAE达到64.9, MSE达到108.4.在UCF＿CC＿50数据集上MAE达到185.1, MSE达到249.8.实验结果证实该模型有较好的准确度和鲁棒性.