基于有源频率选择表面的波束扫描天线设计

为减少使用的有源元件数量,本文提出了一种新型的基于有源频率选择表面的波束扫描天线。该天线由简单的单极子天线和10列频率选择表面组成,其中单极子天线作为辐射源放置在频率选择表面所构成的圆柱中心位置。通过控制所加载PIN二极管的工作状态,可将重新配置天线波束。整个天线尺寸为0.35λ_o×0.35λ_o×0.98λ_o(λ_o是自由波长)。实测结果表明,所设计的波束扫描天线的工作频率为2.45GHz,主波束可以实现在整个水平面的扫描,扫描精度为36°,并且天线在整个工作频段内的增益都大于6dBi,峰值增益是7.95dBi。该波束扫描天线可用于智能通信系统中。     

一种双频段有源频率选择表面的设计

在频率选择表面问题的研究中,当传统FSS结构成型后,其工作带宽和谐振频率等参数固定,不能适应外部电磁环境的变化.为解决上述问题,设计了一种有源FSS结构,在传统FSS中加载PIN管或变容二极管等有源器件,通过调节器件的偏置电压或电流来改变FSS的电磁特性;运用等效电路法分析了有源FSS结构的传输线模型,利用有限元软件HFSS研究了不同加载方式下,该结构的电磁响应变化;通过有源FSS结构单元与传统FSS结构单元的交替排列,实现了具有双频性质的FSS结构.研究结果表明FSS加载电容时,谐振频率降低,且加载电容值越大,谐振频率越低,带宽越小;FSS加载电感时,谐振频率增大,且加载电感值越小,谐振频率越高,带宽越大.结果表明,为在实际应用中达到带宽优化的效果,应尽可能加载较小的电容与电感.     

基于深度学习的双阈值图像局部分块视觉跟踪

现有的图像跟踪方法直接对图像像素级特征展开建模,未考虑图像内部深层视觉特征信息,导致其难以准确描述轮廓信息,致使跟踪效果较差.为解决上述问题,基于深度学习设计了新的双阈值图像局部分块视觉跟踪方法.以深度卷积神经网络为基础构建PigNet网络,检测图像分辨率与位置信息.然后通过PLSA算法估计分割区域类别,筛选出候选区域...     

基于进化模糊神经网络的频率选择表面设计方法

频率选择表面是一种二维周期阵列结构,能够有效控制电磁波的传输和反射。为了解决传统设计方法参数选择的盲目性和有效性缺陷,提出一种基于进化模糊神经网络算法的设计方法。该方法具有开放的结构,可以在线自适应并不断进化,克服普通神经网络中模型结构和参数难以设置的缺点,同时系统可以进行模糊规则插入和规则提取等。仿真结果表明,该方法具有更高的准确度,能有效地解决频率选择表面设计工作中的一些相关问题。     

基于可解释性分析的深度神经网络优化方法

近年来,深度神经网络（deep neural network,DNN）在众多领域取得了广泛应用,甚至在安全关键系统中已经可以代替人类作出决策,如自动驾驶和智慧医疗等,这对DNN的可靠性提出了更高的要求.由于DNN具有复杂的多层非线性网络结构,难以理解其内部预测机制,也很难对其进行调试.现有的DNN调试工作主要通过修改DNN的参数和扩增数据集提升DNN性能,以达到优化的目的.然而直接调整参数难以控制修改的幅度,甚至使模型失去对训练数据的拟合能力;而无指导地扩增训练数据则会大幅增加训练成本.针对此问题,提出了一种基于可解释性分析的DNN优化方法（optimizing DNN based on interpretability analysis,OptDIA）.对DNN的训练过程及决策行为进行解释分析,根据解释分析结果,将原始数据中对DNN决策行为产生不同程度影响的部分以不同概率进行数据变换以生成新训练数据,并重训练DNN,以提升模型性能达到优化DNN的目的.在使用3个数据集训练的9个DNN模型上的实验结果表明,OptDIA可以将DNN的准确率提升0.39～2.15个百分点,F1-score...     

基于深度学习的表面缺陷检测方法综述

近年来, 基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中. 本文对近年来基于深度学习的表面缺陷检测方法进行了梳理, 根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类, 并对各种典型方法进一步细分归类和对比分析, 总结了每种方法的优缺点和应用场景. 本文探讨了表面缺陷检测中三个关键问题, 介绍了工业表面缺陷常用数据集. 最后, 对表面缺陷检测的未来发展趋势进行了展望.     

改进的基于DNN的恶意软件检测方法

当前基于深度学习的恶意软件检测技术由于模型结构及样本预处理方式不够合理等原因,大多存在泛化性较差的问题,即训练好的恶意软件检测模型对不属于训练样本集的恶意软件或新出现的恶意软件的检出效果较差.提出一种改进的基于深度神经网络(Deep Neural Network,DNN)的恶意软件检测方法,使用多个全连接层构建恶意软件...     

基于子域基函数的任意频率选择表面数值分析

频率选择表面的电磁散射特性问题是飞行器隐身技术中的重要研究内容.采用了谱域法和子域屋顶基函数相结合的方法对任意单元形状的周期结构进行分析.首先将单元划分成若干个小网格,每个网格上的电流密度用屋顶基函数表征,然后通过电流密度和散射场的关系以及边界条件,得到导体面上的感应电流,从而分析结构的反射和传输特性.同时给出了贴片型、环形和孔径型的仿真算例,分析了单元上的电流分布规律,并与仿真的结果进行比较分析,验证了方法的有效性和通用性.     

有限大曲面频率选择表面的建模

为了有效运用时域有限差分(Finite-Difference Time-Domain,FDTD)等数值算法来分析有限大曲面频率选择表面(Frequency Selective Surface,FSS)的散射特性,提出了一种FSS的三维建模方法,包括圆柱表面、圆锥表面以及球表面的不同FSS单元的建模.首先阐述了在曲面上进...     

基于深度学习的太阳能电池片表面缺陷检测方法

目前对太阳能电池片的缺陷检测仍依赖人工完成,很难通过传统的CCD成像系统自动识别.作为一种多层神经网络学习算法,深度学习因对输入样本数据强大的特征提取能力而受到广泛关注.文中提出一种基于深度学习的太阳能电池片表面缺陷检测方法,该方法首先根据样本特征建立深度置信网络(DBN),并训练获取网络的初始权值;然后通过BP算法微调网络参数,取得训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测.实验表明DBN能较好地建立上述映射关系,且准确、快速地进行缺陷检测.     

基于强化学习的无标签网络剪枝

为了消除深度神经网络中的冗余结构,找到具备较好性能和复杂度之间平衡性的网络结构,提出基于无标签的全局学习方法(LFGCL).LFGCL学习基于网络体系结构表示的全局剪枝策略,可有效避免以逐层方式修剪网络而导致的次优压缩率.在剪枝过程中不依赖数据标签,输出与基线网络相似的特征,优化网络体系结构.通过强化学习推断所有层的压...     

Deep-SBFL:基于频谱的深度神经网络缺陷定位方法

深度神经网络已经在自动驾驶和智能医疗等领域取得了广泛的应用.与传统软件一样,深度神经网络也不可避免地包含缺陷,如果做出错误决定,可能会造成严重后果.因此,深度神经网络的质量保障受到了广泛关注.然而,深度神经网络与传统软件存在较大差异,传统软件质量保障方法无法直接应用于深度神经网络,需要设计有针对性的质量保障方法.软件缺陷定位是保障软件质量的重要方法之一,基于频谱的缺陷定位方法在传统软件的缺陷定位中取得了很好的效果,但无法直接应用于深度神经网络.在传统软件缺陷定位方法的基础上提出了一种基于频谱的深度神经网络缺陷定位方法 Deep-SBFL.该方法首先通过收集深度神经网络的神经元输出信息和预测结果作为频谱信息;然后将频谱信息进行处理作为贡献信息,以用于量化神经元对预测结果所做的贡献;最后提出了针对深度神经网络缺陷定位的怀疑度公式,基于贡献信息计算深度神经网络中神经元的怀疑度并进行排序,以找出最有可能存在缺陷的神经元.为验证该方法的有效性,以E_Inspect@n (结果排序列表前n个位置内成功定位的缺陷数)和EXAM (在找到缺陷元素之前必须检查元素的百分比)作为评测指...     

群体行为识别深度学习方法研究综述

群体行为识别是计算机视觉领域应用广泛且亟待解决的重要研究问题.伴随着深度神经网络的发展,群体行为识别与理解的宽度与深度也在不断扩展.通过调研近十年来群体行为识别的研究文献,确定了目前群体行为识别研究的问题定义;指出了群体行为识别研究现存的问题与挑战;在深度学习网络架构下,描述了从早期仅仅对群体行为进行分类识别,到如今更...     

基于深度学习的家用电器电机故障诊断方法研究

针对目前家用电器电机采用人工听诊方式判断电机故障的现状,设计基于深度学习的电机故障诊断方法,旨在实现电机生产线的自动化与智能化。文章设计一个二分支的一维卷积神经网络,并在该基础上优化混合切片二分支卷积神经网络模型。经实验验证,该网络使用后,训练集准确率能达到99.67%,测试集准确率能达到98%,采用该方法进行电机故障噪声诊断准确率高且实用性好。     

基于深度学习的IPTV视频用户行为分析方法研究

IPTV视频业务的复杂性和多样性使其难以充分发挥运营商技术优势。借助深度神经网络DNN模型对IPTV视频用户进行用户行为分析。利用深度学习算法对用户点播视频活跃度实施精确分类,从而帮助IPTV服务提供商合理配置资源,同时为终端用户提供更高效优质的服务。实验结果表明,与现有的方法相比,该方法收敛快,分类准确率达93%。     

Ku波段宽带传输频率选择表面优化设计

通过调整频率选择表面(FSS)单元的结构参数来控制电磁波在某雷达波段内的传输是滤波器研究领域的重要内容。为实现圆环形FSS单元在Ku波段的宽带传输特性,并明确单元结构参数对其传输特性的影响规律,采用谱域分析法,从圆环形单元的大小、宽度、阵列周期等方面,对圆环形单元FSS进行了数值分析和优化设计。仿真结果表明,谐振频率点的主要影响因素为单元大小,而单元宽度主要控制传输带宽。经优化,当单元外半径为3.5mm,单元宽度为0.66mm,阵列周期为10.0mm时,谐振频率为14.8GHz,FSS传输带位于Ku波段内,传输带宽达5.7GHz。优化后的FSS结构适用于Ku波段宽带传输,为优化设计提供了依据。     

基于深度学习的单视图三维重建

单视图三维重建在计算机视觉领域中是一个具有挑战性的问题.为了提升现有三维重建算法重建后三维模型的精度,本文除了提取图像全局特征之外还提取图像局部特征,结合全局特征和局部特征并选取SDF (signed distance function)作为重建后的三维物体表达方式,不仅提高了模型的精度,生成了更高质量的3D形状,还增强了模型的泛化能力,使得深度模型可以以较高质量重建出其他物体种类.实验结果表明,本文提出的深度网络结构和3D形状表示方法与当今最先进的重建算法相比,无论在重建后三维模型的效果还是新型物体的泛化中都有更好的表现.     

深度学习的舌体分割研究综述

舌体分割是智能医学诊断的重要组成部分,其目的是通过分割舌诊图像生成精准的舌体轮廓.近年来,深度学习方法在图像处理领域得到了广泛的应用并取得了较好的结果.随着医学图像分割对性能的要求越来越高,许多研究人员将深度学习运用到舌体分割中.主要对基于深度学习的舌体分割方法研究现状进行分析梳理和归纳总结.在舌体分割应用领域中,以各种深度学习方法作为研究对象,将基于深度学习的舌体分割方法划分为卷积神经网络(CNN)、全卷积网络(FCN)、卷积模型与图形模型、基于编解码器的模型、基于区域卷积网络模型、扩张卷积模型结构、迁移学习以及其他方法.在每类方法中,针对其改进和扩展的研究成果进行了全面的论述,总结分析其优势与不足;并对基于深度学习的舌体分割常用的数据集和评价指标进行了视觉比较与性能评估;最后讨论了未来研究工作中的发展潜力.     

基于深度学习的视频质量评价研究综述

视频质量评价(VQA)是以人眼的主观质量评估结果为依据,使用算法模型对失真视频进行评估.传统的评估方法难以做到主观评价结果与客观评价结果相一致.基于深度学习的视频质量评价方法无需加入手工特征,通过模型自主学习即可进行评估,对视频质量的监控和评价有重要意义,已成为计算机视觉领域的研究热点之一.首先对视频质量评价的研究背景...