一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

對(duì)通信系統(tǒng)中大量使用的BPSK等非圓信號(hào)測(cè)向，可以采用共軛擴(kuò)展MUSIC(CE-MUSIC)算法，也可以采用基于四階累積量的MUSIC-like算法。CE-MUSIC算法沒(méi)有利用高階信息，MUSIC-like算法沒(méi)有利用信號(hào)的非圓信息，性能均受限。該文提出的四階擴(kuò)展MUSIC(FO-EMUSIC)算法利用了非圓信號(hào)在四階累積量中的信息，分辨力和測(cè)角精度明顯優(yōu)于MUSIC-like算法，略優(yōu)于CE-MUSIC算法，可測(cè)向陣元數(shù)大于CE-MUSIC算法和MUSIC-like算法。針對(duì)均布線陣，為減小計(jì)算量，還提出了FO-EMUSIC/ULA算法。仿真實(shí)驗(yàn)驗(yàn)證了FO-EMUSIC算法的優(yōu)良性能。

該文把Asharif(1999)定義的相關(guān)函數(shù)均方誤差(MSE)準(zhǔn)則Jr(n)=E「eT(n)Ce(n)」改為時(shí)變的遺忘因子指數(shù)加權(quán)最小二乘誤差(LSE)準(zhǔn)則Jr(n)=nt=0 n-teT(n)Ce(n),對(duì)這一準(zhǔn)則利用梯度法,使當(dāng)前時(shí)刻的梯度向量正交于前一時(shí)刻的梯度向量而得到一種新的相關(guān)函數(shù)自適應(yīng)濾波算法.計(jì)算機(jī)仿真結(jié)果表明新算法的收斂性能優(yōu)于Asharif提出的ECLMS算法.

針對(duì)目前圖像隱寫檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限，以及各通道特征圖沒(méi)有區(qū)分的問(wèn)題，該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測(cè)模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強(qiáng)隱寫檢測(cè)模型對(duì)高階特征的表達(dá)能力；同時(shí)引入通道加權(quán)模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重，增強(qiáng)有用特征并抑制無(wú)用特征，增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)模型針對(duì)不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測(cè)準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。

形狀特征是MPEG7中用來(lái)描述圖像的重要特征之一。同心離散圓簇(Cluster of Concentric Discrete Circles, CCDC)形狀特征提取方法具有特征提取速度快的優(yōu)點(diǎn)。但該方法的特征函數(shù)使用圓環(huán)弧段的方差作為特征，由于內(nèi)外環(huán)的離散點(diǎn)數(shù)不同，使得內(nèi)外環(huán)的特征值變化范圍不同，會(huì)產(chǎn)生特征掩蓋現(xiàn)象。針對(duì)上述問(wèn)題，該文對(duì)特征函數(shù)進(jìn)行了重新設(shè)計(jì)，利用弧段的相對(duì)弧長(zhǎng)或段數(shù)作為特征，將每一環(huán)的特征用4個(gè)子特征來(lái)描述，并將每一個(gè)特征值歸一化為0~1范圍內(nèi)，提取過(guò)程比原來(lái)更簡(jiǎn)單，特征提取速度更快。改進(jìn)后的新方法命名為改進(jìn)的CCDC (Improved CCDC, ICCDC)。該文采用了MPEG7-CE1-B標(biāo)準(zhǔn)形狀數(shù)據(jù)庫(kù)進(jìn)行測(cè)試，評(píng)價(jià)指標(biāo)采用Precision-Recall曲線。實(shí)驗(yàn)表明，ICCDC比CCDC在性能方面有顯著的提升，檢索精度比原來(lái)提高了約50%，提取MPEG7-CE1-B圖形庫(kù)中所有圖形特征所用的計(jì)算時(shí)間比原來(lái)減少了約25 ms。

針對(duì)機(jī)載聚束合成孔徑雷達(dá)(SAR)慣導(dǎo)精度無(wú)法滿足高分辨SAR成像的問(wèn)題，該文提出了一種結(jié)合極坐標(biāo)格式算法(PFA)的自聚焦算法，即由粗到精的混合多階段參數(shù)化最小熵(Hybrid Multistage Parameterized Minimum Entropy, HMPME)距離單元徙動(dòng)校正方法和基于圖像對(duì)比度增強(qiáng)(Contrast Enhancement, CE)的變步長(zhǎng)迭代相位誤差校正方法。該自聚焦算法可以直接嵌入到PFA處理中，精確地補(bǔ)償了慣導(dǎo)測(cè)量精度不足引起的越距離單元徙動(dòng)(Range Cell Migration, RCM)和相位誤差，且對(duì)于低對(duì)比度、低信噪比場(chǎng)景數(shù)據(jù)有良好的聚焦性能。最后，利用仿真實(shí)驗(yàn)和實(shí)測(cè)機(jī)載聚束SAR數(shù)據(jù)驗(yàn)證了所提算法的有效性。

在精密時(shí)頻測(cè)控領(lǐng)域中，高分辨率、無(wú)死區(qū)的時(shí)間間隔和頻率測(cè)量非常關(guān)鍵，而時(shí)間數(shù)字轉(zhuǎn)換器(Time to Digital Converter, TDC)是時(shí)間頻率測(cè)量的常用手段。該文研制了基于ACAM公司生產(chǎn)的時(shí)間數(shù)字轉(zhuǎn)換芯片TDC-GP21和Altera公司FPGA芯片EP4CE6E22C8N的時(shí)間頻率測(cè)量設(shè)備，實(shí)現(xiàn)了高分辨率的時(shí)間間隔測(cè)量，測(cè)量分辨率達(dá)到13ps 。同時(shí)采用時(shí)間間隔測(cè)量模塊兩兩組合的方式實(shí)現(xiàn)了無(wú)死區(qū)頻率測(cè)量，創(chuàng)新性地采用每組3個(gè)TDC芯片，共4組搭建了時(shí)間頻率測(cè)量系統(tǒng)，并對(duì)組內(nèi)3個(gè)TDC芯片測(cè)量結(jié)果采用平均值濾波法，使頻率測(cè)量穩(wěn)定度達(dá)到$ 1.1 $×$ {10}^{-11} $@1 s, $ 5.6\times {10}^{-15} $@10000 s，與商用K+K FXE頻率計(jì)數(shù)器指標(biāo)相當(dāng)。本設(shè)備具有體積小、無(wú)需校準(zhǔn)、成本低等優(yōu)點(diǎn)，能夠廣泛應(yīng)用到高精度時(shí)間間隔和精密頻率測(cè)量領(lǐng)域中。

針對(duì)腦出血CT圖像病灶部位的多尺度性導(dǎo)致分割精度較低的問(wèn)題，該文提出一種基于改進(jìn)U型神經(jīng)網(wǎng)絡(luò)的圖像分割模型(AU-Net+)。首先，該模型利用U-Net中的編碼器對(duì)腦出血CT圖像特征編碼，將提出的殘差八度卷積(ROC)塊應(yīng)用到U型神經(jīng)網(wǎng)絡(luò)的跳躍連接部分，使不同層次的特征更好地融合；其次，對(duì)融合后的特征，分別引入混合注意力機(jī)制，用以提高對(duì)目標(biāo)區(qū)域的特征提取能力；最后，通過(guò)改進(jìn)Dice損失函數(shù)進(jìn)一步加強(qiáng)模型對(duì)腦出血CT圖像中小目標(biāo)區(qū)域的特征學(xué)習(xí)力度。為驗(yàn)證模型的有效性，在腦出血CT圖像數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，同U-Net, Attention U-Net, UNet++以及CE-Net相比，mIoU指標(biāo)分別提升了20.9%, 3.6%, 7.0%, 3.1%，表明AU-Net+模型具有更好的分割效果。

針對(duì)物聯(lián)網(wǎng)(IoTs)場(chǎng)景下，聯(lián)邦學(xué)習(xí)(FL)過(guò)程中大量設(shè)備節(jié)點(diǎn)之間因冗余的梯度交互通信而帶來(lái)的不可忽視的通信成本問(wèn)題，該文提出一種閾值自適應(yīng)的梯度通信壓縮機(jī)制。首先，引用了一種基于邊緣-聯(lián)邦學(xué)習(xí)的高效通信(CE-EDFL)機(jī)制，其中邊緣服務(wù)器作為中介設(shè)備執(zhí)行設(shè)備端的本地模型聚合，云端執(zhí)行邊緣服務(wù)器模型聚合及新參數(shù)下發(fā)。其次，為進(jìn)一步降低聯(lián)邦學(xué)習(xí)檢測(cè)時(shí)的通信開(kāi)銷，提出一種閾值自適應(yīng)的梯度壓縮機(jī)制(ALAG)，通過(guò)對(duì)本地模型梯度參數(shù)壓縮，減少設(shè)備端與邊緣服務(wù)器之間的冗余通信。實(shí)驗(yàn)結(jié)果表明，所提算法能夠在大規(guī)模物聯(lián)網(wǎng)設(shè)備場(chǎng)景下，在保障深度學(xué)習(xí)任務(wù)完成準(zhǔn)確率的同時(shí)，通過(guò)降低梯度交互通信次數(shù)，有效地提升了模型整體通信效率。

為提升基于深度學(xué)習(xí)(DL)的合成孔徑雷達(dá)自動(dòng)目標(biāo)識(shí)別(SAR ATR)系統(tǒng)在開(kāi)放動(dòng)態(tài)的非合作場(chǎng)景中對(duì)新類別目標(biāo)的持續(xù)敏捷識(shí)別能力，該文研究了SAR ATR的小樣本類增量學(xué)習(xí)(FSCIL)問(wèn)題，并提出了自監(jiān)督解耦動(dòng)態(tài)分類器(SDDC)。針對(duì)FSCIL 中“災(zāi)難性遺忘”和“過(guò)擬合”本質(zhì)難點(diǎn)和SAR ATR領(lǐng)域挑戰(zhàn)，根據(jù)SAR圖像目標(biāo)信息的部件化與方位角敏感性特點(diǎn)，于圖像域構(gòu)建了基于散射部件混淆與旋轉(zhuǎn)模塊(SCMR)的自監(jiān)督學(xué)習(xí)任務(wù)，以提升目標(biāo)表征的泛化性與穩(wěn)健性。同時(shí)，設(shè)計(jì)了類印記交叉熵(CI-CE)損失并以參數(shù)解耦學(xué)習(xí)(PDL)策略對(duì)模型動(dòng)態(tài)微調(diào)，以對(duì)新舊知識(shí)平衡判別。實(shí)驗(yàn)在由MSTAR和SAR-AIRcraft-1.0數(shù)據(jù)集分別構(gòu)建的覆蓋多種目標(biāo)類別、觀測(cè)條件和成像平臺(tái)的FSCIL場(chǎng)景上驗(yàn)證了該算法開(kāi)放動(dòng)態(tài)環(huán)境的適應(yīng)能力。

作為全球化通信網(wǎng)絡(luò)的重要組成部分，衛(wèi)星通信因其能夠?qū)崿F(xiàn)全球無(wú)縫覆蓋和構(gòu)建天地一體化信息網(wǎng)絡(luò)而備受關(guān)注。跳時(shí)(TH)作為一種常用的衛(wèi)星通信方式，具備強(qiáng)大的抗干擾能力、靈活的頻譜利用和高安全性。該文提出一種適用于衛(wèi)星通信的TH圖案隨機(jī)變化系統(tǒng)，以進(jìn)一步增強(qiáng)數(shù)據(jù)傳輸過(guò)程的安全性。針對(duì)發(fā)射功率受限的問(wèn)題，該文提出多跳信號(hào)相干合并策略，并進(jìn)一步在該策略指導(dǎo)下，面對(duì)接收信號(hào)信噪比(SNR)低的約束，提出了交叉熵(CE)迭代輔助的跳時(shí)圖案與多跳載波相位聯(lián)合估計(jì)算法，以合并信噪比損失為目標(biāo)函數(shù)，自適應(yīng)調(diào)整待估參數(shù)的概率分布，從而快速收斂至最優(yōu)解附近。仿真實(shí)驗(yàn)證明了該算法在迭代收斂速度、參數(shù)估計(jì)誤差以及合并解調(diào)誤碼率等方面的優(yōu)異性能。與傳統(tǒng)算法相比，所提算法在保持較低復(fù)雜度的同時(shí)，誤碼率(BER)性能接近理論最優(yōu)，有效提高了衛(wèi)星TH通信系統(tǒng)在復(fù)雜環(huán)境下的穩(wěn)定性和可靠性。