家用电器电磁兼容标准化现状及展望

随着社会的发展、科技的进步和智能制造的推广,人们的日常生活使用越来越多的家用电器设备,周围的电磁环境日益复杂,EMC已经成为家电生产厂考量的重要指标.本文简述了家用电器的技术发展史以及国内外现有家用电器标准化组织和标准发展动态.并对家用电器技术发展和后续电磁兼容测试进行了技术展望.     

基于P2P的网络保密检查系统的研究与设计

针对企业、校园等组织和机构中的信息安全保密工作,提出一个基于P2P的网络保密检查搜索系统NSSP。将非结构化的P2P网络和结构化P2P网络相结合,快速定位节点,有效及时查询硬盘上数据,实现网络内容审查。     

基于Gossip协议的流媒体播放机制的研究与改进

针对Gossip协议数据传播随机性与不确定性问题,提出了一种混合结构方式.该方式将非结构化P2P网络和结构化P2P网络相结合,通过增加数据片预取调度算法,弥补了Gossip协议数据传输的随意性.实验结果表明,此方式提高了节点成功播放率,降低了系统开销.     

基于融合通道注意力的Uformer的CT图像稀疏重建

针对解析法稀疏重建中产生的条状伪影问题,提出一种融合通道注意力的U型Transformer(CA-Uformer),以实现高精度计算机断层成像（CT）的稀疏重建。CA-Uformer融合了通道注意力和Transformer中的空间注意力,双注意力机制使网络更容易学习到图像细节信息;采用优秀的U型架构融合多尺度图像信息;采用卷积操作实现前向反馈网络设计,从而进一步耦合卷积神经网络（CNN）的局部信息关联能力和Transformer的全局信息捕捉能力。实验结果表明,与经典U-Net相比,CA-Uformer的峰值信噪比（PSNR）、结构相似性（SSIM）提高了3.27 dB、3.14%,均方根误差（RMSE）降低了35.29%,提升效果明显。可见,CA-Uformer稀疏重建精度更高,压制伪影能力更强。     

4种系统矩阵的建模方法在ASD-POCS算法中的比较

在ASD-POCS算法中,系统矩阵的建模方法对重建有一定的影响。本文设计并实现了4种系统矩阵建模方法：像素驱动,距离驱动,改进的距离驱动以及射线驱动,比较了它们的建模速度、建模精度以及在ASD-POCS算法中的收敛速度,同时比较了它们在有噪声的情况下对噪声的敏感程度。实验表明：距离驱动的建模速度最快;改进的距离驱动的建模精度最高,射线驱动在ASD-POCS算法中的收敛速度最快。     

用快速哈达玛变换(FHT)实现高速线性卷积

为了加速实现长序列的线性卷积,提出了用快速哈达玛变换(FHT)实现线性卷积的快速算法。分析了哈达玛变换的特点和快速算法的时间复杂度,设计了用FHT计算线性卷积的矩阵表达式,并推导出了哈达玛域滤波器的增益矩阵的求解公式,分析了该方法的加速原理及其适用条件。理论分析和实验表明,该方法比FFT线性卷积法快了近一倍。     

滤波反投影算法的数值实现问题研究

提出了滤波反投影算法的数值实现形式.从傅立叶中心切片定理引出了FBP算法的连续形式;而后提出了滤波实现的离散形式,并从定积分的数值实现和信号与系统论两个角度加以证明,接着提出了基于新普生公式的反投影实现形式.     

清洁发展机制及其面临的形势

清洁发展机制(Clean Development Mechanism,CDM)是<京都议定书>下的三个基于市场的节能减排机制之一.由于我国是一个处于工业化发展阶段的国家,没有减排的具体额度,所以CDM机制可以很好地促进我国在经济高速发展的同时开展节能减排工作.本文主要介绍CDM的申报流程和实施步骤,综述我国CDM项目申报的概况,对其中一些有可能导致申报失败的常见问题进行分析,并对我国开展CDM项目给出一些建议.同时,对哥本哈根会议后CDM面临的形势以及我国碳交易的发展前景进行了探索和展望.     

自适应步长非局部全变分约束迭代图像重建算法

针对计算机断层成像（CT）系统中,全变分（TV）迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题,提出一种自适应步长的非局部全变分（NLTV）约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点,首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型;然后,使用代数重建（ART）算法和分离布雷格曼（SB）来确保重建结果满足数据保真项和正则化项的约束;最后,以自适应最速下降-投影到凸集（ASD-POCS）算法作为基础迭代框架来重建图像。实验结果表明,在不含噪声的稀疏重建条件下,提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中,该算法在30次迭代时已得到接近最终收敛的结果,且均方根误差（RMSE）是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像,同时改善了TV迭代模型的细节重建能力,且对噪声有一定的抑制作用。     

基于多残差UNet的CT图像高精度稀疏重建

为了解决计算机断层成像（CT）稀疏解析重建过程中产生条状伪影的问题,在经典的UNet网络结构的基础上,提出了多残差UNet （Mr-UNet）网络结构,以更好地压制条状伪影。首先,用传统滤波反投影（FBP）解析重建算法稀疏重建出含条状伪影的稀疏图像;然后,将该类图像作为网络结构的输入,且将相对应的高精度图像作为网络的标签进行训练,使得该网络具有很好的压制条状伪影的性能;最后,将经典UNet原先的四层下采样加深到五层,并在模型中引入残差学习机制将每个卷积单元构建为残差结构,从而提升网络的训练性能。实验中采用了2 000对大小为256×256的含条状伪影图像和对应的高精度图像作为数据集,其中,1 900对作为训练集,50对作为验证集,其余的作为测试集来训练网络,并验证、评估网络性能。实验结果表明,与传统的总变差（TV）最小化算法及经典的UNet深度学习方法的比较表明,所提模型重建图像的均方根误差（RMSE）平均降低了约0.002 5,结构相似度（SSIM）平均提高了约0.003,且能更好地保留图像纹理和细节信息。