基于鲁棒音阶特征和测度学习SVM的音乐和弦识别

和弦识别是音乐信息检索领域重要的研究内容之一，在信息处理、音乐结构分析以及推荐系统等方面具有重要的作用。为了降低人声对和弦进程的影响且恢复和弦所对应的谐波信息，文章分别对频谱中和弦所对应的谐波信息和人声信息进行建模，构建双目标优化问题，对和弦所对应的谐波信息进行有效重建，同时去除人声；其次，对谐波信息进行降维处理得到鲁棒性的音阶轮廓特征；最后为了提高支持向量机性能，文章采用测度学习的方法得到马氏距离，并使用马氏距离替换支持向量机的高斯核函数的欧氏距离，使得支持向量机的判别函数包含有数据的空间分布信息。最终实验结果表明，同基于现今流行的和弦识别算法相比，提出的和弦识别算法识别正确率率提高3.5%~12.2%。      

低温共烧陶瓷技术及发展

详细离低温共烧陶瓷材料的生产工艺及相关技术，介绍其在多层电路模块化(Multi-Chip Modules）设计中的特点及应用，并概要总结了LTCC相关技术的未来发展动向。     

基于神经网络和差分搜索的高光谱图像非线性解混

针对基于双线性混合模型(BMM)的高光谱图像梯度 解混算法的局限性,提出一种基于神经网络(NN)和差分搜索算法(DSA)的非线性 高光谱图像解混算法。在考虑p阶多项式模型的基础上,利用N N估计出实际高光谱图像的非线性阶数。构造解混 的目标函数,将非线性解混问题转化为最优化问题。引入DSA对目标函数进 行优化,将解混过程中的待求参数 映射为差分搜索过程中的位置参数,同时在搜索过程中引入丰度非负和全加性约束映射机制 满足解混要求。仿真数据和 实际高光谱数据实验结果表明,本文算法有效地克服了基于BMM的梯度解 混算法的不足,可有效实现高光谱 图像的非线性解混。当NN采用2000个样本训 练,解混真实高光谱数 据得到相应的重构误差(RE)达到1.15×10－2 ,具有良好解混效果。     

MRI脑肿瘤图像分割研究进展及挑战

脑肿瘤分割是医学图像处理中的一项重要内容,其目的是辅助医生做出准确的诊断和治疗,在临床脑部医学领域具有重要的实用价值。核磁共振成像（MRI）是临床医生研究脑部组织结构的主要影像学工具,为了使更多研究者对MRI脑肿瘤图像分割理论及其发展进行探索,本文对该领域研究现状进行综述。首先总结了用于MRI脑肿瘤图像分割的方法,并对现有方法进行了分类,即分为监督分割和非监督分割;然后重点综述了基于深度学习的脑肿瘤分割方法,在研究其关键技术基础上归纳了优化策略;最后介绍了脑肿瘤分割（BraTS）挑战,并结合挑战中所用方法展望了脑肿瘤分割领域未来的发展趋势。MRI脑肿瘤图像分割领域的研究已经取得了一些显著进展,尤其是深度学习的发展为该领域的研究提供了新的思路。但由于脑肿瘤在大小、形状和位置方面的高度变化,以及脑肿瘤图像数据有限且类别不平衡等问题,使得脑肿瘤图像分割仍是一个极具挑战的课题。由于分割过程缺乏可解释性和透明性,如何将全自动分割方法应用于临床试验,还需要进行深入研究。     

基于ShuffleNet的多尺度高效脑肿瘤分割网络

为解决硬件平台资源受限条件下精准实现脑肿瘤区域分割的需求,提出一种基于ShuffleNet的多尺度高效脑肿瘤分割网络。首先以ShuffleNet为基础构建深层特征提取网络,并加入多路平行卷积层和混合感受野增强网络的多尺度信息提取能力;其次,使用深度可分离卷积降低网络的参数量;最后提出一种加权混合损失函数缓解了数据类别不平衡对脑肿瘤分割的影响,提高了网络分割的稳定性。实验选取BraTS2019数据集进行训练和验证,并在BraTS2021临床病人数据集上进行临床测试。结果表明,所提的深层轻量级网络大幅度降低了参数量和计算量,同时具有较高的分割精度,且在增强肿瘤区域的分割问题上有更好的表现。     

混合压缩比结构16×16阵列乘法器设计

在比较各种树型结构的基础上,提出了一种适合于16×16阵列乘法器的混合压缩比结构。并且采用改进布斯编码算法和符号补偿技术,用VHDL语言设计出了一个16×16有/无符号数乘法器。仿真结果表明,该乘法器综合性能优于采用IA和Wallace结构的乘法器,可用作数字系统中的乘法单元模块。所提出的混合压缩比结构还可以作为10-2压缩器应用于更高位数乘法器的设计之中,具有较高的实用价值。     

基于机器视觉的砧木定位识别方法

为了实现蔬菜嫁接过程中砧木抓取点和子叶方向的精确定位,对机器视觉采集的砧木苗图像进行处理.对砧木侧视图进行区域分割判断子叶与茎的连接处,作为抓取点;对砧木俯视图利用形态学处理分离子叶和真叶,根据区域长短轴差值识别真叶并予以去除,计算子叶与水平线的夹角,得出旋转角度.结果显示,基于机器视觉方法的砧木抓取点的判断,绝对误差最大为2.09 mm,最小为0.03 mm;利用机器视觉判断砧木旋转角度,真叶和子叶区分的成功率达97.9 %.     

基于自适应学习速率的改进型BP算法研究

从感知器的结构及学习规则无法执行异或问题出发,用神经网络中的BP网络来解决异或问题,消除了感知器的局限性,但BP算法在具体实现中常会出现一些问题,如：收敛速度缓慢且与其他参数存在较强的耦合关系,局部极小等。对此,从前馈神经网络的原理出发,提出了一种自适应学习速率因子方法,用于对BP算法的改进,并将改进后的算法用于二维XOR问题及多维XOR问题的学习中。仿真实验证明,改进后的算法可显著提高网络的学习速度,且学习过程具有良好的收敛性及较强的鲁棒性。     

一种用于脑肿瘤分割的改进U形网络

近年来卷积神经网络在生物医学图像处理中得到了广泛应用,例如从磁共振图像中准确分割脑肿瘤是临床诊断和治疗脑部肿瘤疾病的关键环节.3D U-Net因其分割效果优异受到追捧,但其跳跃连接补充的特征图为编码器特征提取后的输出特征图,并未进一步考虑到此过程中的原始细节信息丢失问题.针对这一问题,本文提出前置跳跃连接,并在此基础上设计了一种前置跳跃连接倒残差U形网络（FS Inv-Res U-Net）.首先,将前置跳跃连接用于改进DMF Net、HDC Net和3D UNet 3个典型网络以验证其有效性和泛化性;其次,采用前置跳跃连接和倒残差结构改进3D U-Net,进而提出FS Inv-Res UNet,最后在BraTS公开验证集上对所提网络进行验证.BraTS2018的验证结果在增强型肿瘤、全肿瘤和肿瘤核心的Dice值分别是80.23%、90.30%和85.45%,豪斯多夫距离分别是2.35、4.77和5.50 mm;BraTS2019的验证结果在增强型肿瘤、全肿瘤和肿瘤核心的Dice值分别是78.38%、89.78%和83.01%,豪斯多夫距离分别是4、5.57和6.37 mm.结果表明,F...