一种心音小波神经网络识别系统

设计一种心音小波神经网络识别系统,将心音特征抽取、有针对性的神经网络层次化架构和分类识别融合一体,以解决复杂条件下的心音分类识别问题。提出基于心音小波神经网络的识别模型,讨论如何构造心音小波和心音小波神经网络的方法,重点讨论在网络结构的隐含层中引入心音小波作为激活函数的算法,从而获得一种把心音的针对性学习和心音识别技术高度融合的心音小波神经网络识别系统。通过选取正常心音信号与早搏心音信号作为实验对象,验证了心音小波神经网络识别系统的有效性和实用性,并且通过与morlet和Mexican-hat小波神经网络识别系统相比较,证明心音小波神经网络识别系统在收敛性、算法速度上呈现明显的优越性。     

无边带信息传输的低复杂度改进SLM方案

针对SLM方法计算复杂度高以及传输边带信息会导致传输效率下降的缺陷,提出了一种改进的SLM方案.改进方案在发送端对数据分组进行选择映射,在接收端通过分析接收到的数据的功率变化获得随机相移序列.改进方案既能降低计算复杂度,又不需要传输边带信息,避免了传输效率的损失.     

企业网Voice/FAX over IP的探讨

文章论述了在企业网上的VoIP技术,说明了网关的功能,列举了呼叫事例并分析了VoIP的性能。     

基于词典和字形特征的中文命名实体识别

命名实体识别是自然语言处理中的一项基础任务。通过基于词典的方法增强词内语义和词边界信息是中文命名实体识别的主流做法。然而,汉字由象形字演变而来,汉字字形中包含着丰富的实体信息,这些信息在该任务中却很少被使用。该文提出了一个基于词典和字形特征的中文命名实体识别模型,将词信息和结构信息统一地结合起来,提高了实体匹配的准确性。该文首先通过SoftLexicon方法丰富语义信息,并使用改进的部首级嵌入优化字符表示;然后通过门卷积网络加强了对潜在词和上下文信息的提取;最后在四个基准数据集上实验,结果表明与传统模型和最新模型相比,基于词典和字形特征的模型取得了显著的性能提升。     

对GSM与IP网络的互通及融合的几点理解

论述了ＧＳＭ与ＩＰ网络的互通与融合，特别就网上ＧＳＭ作了较为详细的分析，认为网上ＧＳＭ是一种较好的企业网移动多媒体通信解决方案。     

GSM与IP网络的互通及融合

论述了GSM网与IP网的互通及融合 ,对网上GSM作了较为详细的介绍。     

基于多维复杂度的精神分裂症脑磁信号区分

为了更有效地识别脑磁信号,提出一种基于多维复杂度的脑磁信号分类方法。首先提取信号的AR模型系数、频带能量、近似熵和Lempel-Ziv复杂度作为特征。然后运用增[L]减[R]搜索算法结合距离准则选择通道。最后采用遗传算法选择特征子集,分别运用BP神经网络和SVM分类器检测特征子集的性能并对信号分类。实验结果表明精神分裂症患者的近似熵和Lempel-Ziv复杂度都高于正常人,患者的脑磁信号可能更加复杂。增[L]减[R]搜索算法选择的通道大多分布在颞叶区,即颞叶区域的通道可能携带了更多的差异信息。采用BP神经网络和SVM对特征数据分类,分别得到了98.5%和99.75%的正确率。