CeO2掺杂对ZnO薄膜气敏特性的影响

ZnO薄膜进行CeO2掺杂,研究掺杂含量和热氧化对薄膜结构、表面、晶粒尺寸及气敏特性的影响.结果显示,用热蒸发制备的高纯Zn膜经500℃热氧化,获得c轴取向ZnO多晶薄膜.掺CeO2可抑制晶粒生长使颗粒细化平均粒径减小,同时改善了ZnO薄膜的体相化学计量比,Zn与O的比例从未掺杂时1∶1.28降到1∶1.191.XPS...     

基于链模型和粒子群的贝叶斯网结构学习算法

为提高学习贝叶斯网络结构的效率,提出一种基于链模型和粒子群的学习算法。利用包含贝叶斯网节点间因果关系信息的规则链模型来衡量拓扑序列的优劣,提高搜索的拓扑序列的质量,为粒子位置可选择的优化算法加上动态权重系数,平衡全局搜索和局部搜索,提高算法的搜索能力。实验结果表明,与I-ACO-B算法相比,该算法不仅能获得更好的解,且收敛速度也有一定的提高。     

异构无线融合网络统一接入认证研究

不同网络同时维护多套认证设施会大幅降低异构融合网络的接入效率,多套认证机制中的短板效应也会降低融合网络中的安全性能。为此,提出基于用户、位置、寻址的信息分离技术,从移动通信系统对安全的需求出发,分析并借鉴3G网络认证与密钥分配协议,在异构无线网络环境中建立基于统一用户标识的的认证方案。仿真测试结果表明,该方案实现了异构网络和移动终端的统一接入及安全 认证。     

基于梯度相位编组的树枝识别新算法

为了能够快速准确地计算出果树枝干的空间位置,提出了一种基于梯度相位编组的Hough变换树枝检测新算法。利用改进的平方梯度法计算边缘点的梯度相位角,找出梯度相位直方图中多个阈值大于T的峰值。然后将具有相近梯度相位角的边缘点归为一组。最后对每组中的边缘点采用改进的两点表决Hough变换算法找出对应的直线参数。利用梯度相位角进一步验证参数的正确性。研究结果表明,提出的梯度相位编组直线检测方法具有速度快、检测误差小和鲁棒性强的特点,能够快速准确地实现果树树枝的定位和检测,对部分被遮挡的树枝的识别效果也较好。     

基于预约和反馈的无线传感器网络MAC协议研究

针对无线传感器网络中对通信实时性要求较高的应用环境,引入信道预约机制和反馈机制到S-MAC协议,提出了一种低时延的RF-MAC协议。该协议在有数据需要发送时先预约信道,各节点根据预约时间表进行数据传输。采用在数据传输过程中向源节点发送反馈信息的方法,实现后续数据的提前发送。通过仿真实验表明:RF-MAC协议有效地降低了数据传输的时延,同时改善了丢包率和网络吞吐量。     

移动P2P网络中协同缓存的研究

在移动园区网环境中部署了P2P系统并提出了一种协同缓存策略。接入控制策略利用"阈值"和节点的位置关系选择缓存的数据。缓存替换策略利用价值函数"Cost"选择要替换掉的数据,该函数考虑了数据的被访问频率、大小及区域之间的距离这三个因素。数据一致性策略结合了Plain-Push和Pull-Every-time方案的优点并做了改进。通过两组模拟实验验证了这种协同缓存策略在降低时延、减少网络通信开销、提高缓存命中率方面具有较好的性能。     

基于自注意力胶囊网络的伪造人脸检测方法

当前以换脸为代表的伪造视频泛滥,给国家、社会和个人带来潜在威胁,有效检测该类视频对保护个人隐私和维护国家安全具有重要意义。为提高视频伪造人脸检测效果,基于可解释性好的胶囊网络,以Capsule-Forensics检测算法为基础,提出一种结合自注意力胶囊网络的伪造人脸检测方法。使用部分Xception网络作为特征提取部分,降低模型的参数量,在主体部分引入带注意力机制的胶囊结构,使模型聚焦人脸区域,将综合多维度的Focal Loss作为损失函数,提高模型对难分样例的检测效果。实验结果表明,与Capsule-Forensics算法相比,该方法能够减少模型参数量和计算量,在多种伪造类型数据集上均具有较高的准确率。     

可穿戴脑电图设备关键技术及其应用综述

可穿戴脑电图（EEG）设备是一种用于日常实时监测的无线EGG系统,因其便携性、实时性、无创性及低成本等优势迅速发展并得到广泛应用。该系统主要由信号采集模块、信号处理模块、微控制模块、通信模块及电源模块等硬件部分以及移动终端模块和云存储模块等软件部分组成。就可穿戴EEG设备关键技术进行论述。首先,阐述了对EGG信号采集模块的改进,另外对可穿戴EEG设备信号预处理模块、信号的降噪、伪影处理及特征提取技术进行比较;然后,对机器学习、深度学习分类算法的优缺点进行分析,并对穿戴式EEG设备的应用领域进行总结;最后,提出可穿戴EEG设备的关键技术未来的发展趋势。     

基于卷积神经网络的图像分类算法综述

卷积神经网络（CNN）是目前基于深度学习的计算机视觉领域中重要的研究方向之一。它在图像分类和分割、目标检测等的应用中表现出色,其强大的特征学习与特征表达能力越来越受到研究者的推崇。然而,CNN仍存在特征提取不完整、样本训练过拟合等问题。针对这些问题,介绍了CNN的发展、CNN经典的网络模型及其组件,并提供了解决上述问题的方法。通过对CNN模型在图像分类中研究现状的综述,为CNN的进一步发展及研究方向提供了建议。     

基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题,提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先,采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理;其次,构建1DCNN-BiLSTM双通道模型,将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道,从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取;然后,针对信号夹杂强噪声的问题,对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道;最后,输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验,结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道,1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%,优于传统单通道模型,有效提高了机械设备故障诊断效率。