幅度调制稳态听觉刺激脑电信号响应及选择性注意力分析

闭锁症患者不能自主控制眼球运动,无法使用视觉刺激脑-机接口（BCI）技术实现意识交流,听觉刺激脑-机接口技术不受视觉限制,可实现这类患者的意识交流,具有重要意义。首先,对不同受试者在幅度调制频率变化的听觉诱发刺激下的响应特征进行研究,获得人体大脑听觉通频带的幅频特性。然后,基于受试者的听觉通频带频率特征,设计了全新的听觉选择注意力实验范式,选择响应幅值较强的刺激频率作为受试者的刺激频率,并提出了改进的空间相干脑电（EEG）信号解算方法,提高了算法的鲁棒性,获得了相对更高的准确率,受试者通过注意力选择实现脑-机接口的二分类控制。实验获得了不同受试者的大脑听觉通频带频率特征,得到了人体大脑在35~94 Hz调制频率范围内的听觉幅频特性曲线,发现了响应幅值在35~44 Hz调制频率范围最强。利用改进的空间相干算法,将提出的基于通频带特征的实验范式和固定频率组合的实验范式进行比较,由3名受试者的对比实验表明,所提实验范式和改进的空间相干算法获得了更高的准确率。      

基于Squeezer算法的大规模矩阵聚类分析

对Squeezer算法进行分析研究,在定义2个矩阵之间距离的基础上,提出了一种改进的Squeezer算法,用于对维数相同的大规模矩阵进行聚类分析.改进的算法在设定距离阈值的基础上,对类别的半径设定阈值来控制分类精度,给出具体的算法步骤来实现针对大量矩阵的聚类分析.对聚类后所得矩阵集合,给出集合质心和半径的定义,来描述矩阵集合的特性.所提算法能使聚类结果避免受到链条效应的影响而使类不断扩容,从而导致聚类精度下降的问题.仿真实验分析验证了所提算法具有良好的聚类效果和适用性.     

基于改进AdaBoost.M2算法的自动调制识别方法

针对同族调制类型通信信号识别难度大、深度学习模型普遍存在泛化能力弱的问题，基于经典AdaBoost.M2算法，提出改进样本权重的AdaBoost.M2算法，用于解决大样本情况下学习率与加权后样本数据难以相适应的问题。改进后的新样本权重确保训练样本数据的数量级在加权后不变，并使算法更迅速地关注到难分类样本，提高了弱分类器综合性能，降低了加权投票模型中弱分类器重要性之间的差异。针对部分样本的统计特性易淹没于噪声中造成难分类问题，提出随机特征裁剪方法，使算法避免过度关注异常特征，降低了极难分类样本对AdaBoost.M2算法性能的负面影响，提升了算法的泛化能力，并以低信噪比数据进行实验验证。针对调制类型同族信号难分类的问题，选取同族调制类型的通信信号开展模型训练和测试。实验结果表明：相比于单一卷积长短时记忆全连接深度网络（CLDNN）算法，改进AdaBoost.M2算法对低信噪比PSK族类和QAM族类通信信号的测试集准确率分别提高了8.5%和11.25%，相比于直接集成CLDNN的经典AdaBoost.M2算法，测试集准确率分别提高了8.25%和6.5%。     

基于深度卷积的残差三生网络研究与应用

针对图像多分类任务,提出基于深度卷积的残差三生网络,旨在通过残差学习和距离比较来训练神经网络得到有效的特征表示。首先,设计了一个21层的深度卷积神经网络作为三生网络的嵌入网络,其中该卷积网络共连接6个块（block）。利用残差学习的方式,每个block的输出层由卷积层的输出和该block的输入共同组成,降低网络学习难度,避免网络出现退化问题。然后,每个block中采用相同拓扑结构分路的卷积层,拓宽网络的宽度。最后,在全连接层拼接了来自前面卷积层和block的输出,加强特征信息的传递。训练前,针对正负样本采用交叉组合的采样方法来增加有效训练样本量;训练期间,用样本中心点更换原点样本作为输入,能平均降低0.5%错误率。在与其他三生网络的对比实验中,在MNIST、CIFAR10和SVHN数据库上达到最好的效果,在所有分类网络中,本文网络在MNIST上达到最好的效果,在CIFAR10和SVHN上表现优异。      

深空测控新技术研究进展

测控系统是航天工程不可或缺的重要组成部分,其导航通信能力在深空探测任务中尤为重要。深空探测任务远距离、长延迟、弱信号、易中断条件下高精度导航测量和高速可靠数据传输始终是深空测控技术需要重点解决的问题。围绕这些问题重点介绍了在天线组阵、再生伪码测距、连接端站干涉测量、相位参考干涉测量和容延迟网络等一系列新技术方面开展的研究工作和部分成果,可以看到,这些成果的应用将丰富深空测控技术手段,在未来更复杂、更遥远的深空探测任务中将会发挥重要作用。     

改进的深度神经网络下遥感机场区域目标检测

卫星遥感监测器下的机场区域多类目标检测在实际生活中有着重大的军用和民用意义。为了有效提升机场区域遥感图片的检测精确率,以主流目标检测方法中更快的区域卷积神经网络（Faster R-CNN）为基础框架,针对数据侧提出了ReMD数据增强算法。同时使用更具深度的残差神经网络（ResNet）以及特征融合部件-特征金字塔网络（FPN）来提取机场区域目标更鲁棒的深层区分性特征。在末端检测网络添加新的全连接层并根据目标的类间关联性组合softmax分类器以及4个logistic regression分类器进行机场区域多类目标的精确分类。实验结果表明:相比原网络改进后的网络带来了11.6%的多类平均检测精确率的提升,达到了80.5%的mAP,与其他主流网络进行对比也有更好的精确率;同时通过适当减小建议区域的输入量,可以在降低3.2%精确率的前提下将0.512 s的检测时间提速3倍,至0.173 s,根据具体任务可以合理权衡精确率和检测速度,体现了该网络的有效性以及实用性。      

基于改进空间通道信息的全局烟雾注意网络

针对烟雾因半透明、形状不规则和边界模糊造成分割困难的问题,提出了基于注意力机制的长距离信息建模方法,以提取长距离像素间的依赖和连续性关系。通过注意力机制作用原理,解决孤立小块区域误分类问题,减少非连续区域的烟雾误判。为避免注意力网络大尺寸矩阵运算造成的内存和计算负担,对空间和通道2种注意力方式进行改进,分别设计了双向定位空间注意力(BDA)模块和多尺度通道注意力(MSCA)融合模块,弥补现有注意力全局池化操作导致的大量空间信息丢失。将所提注意力模块和残差深度网络合并,构建面向图像烟雾分割的全局烟雾注意网络,在尽可能不丢失全局信息相关性的同时减少内存消耗。实验结果表明：所提网络在DS01、DS02、DS03合成烟雾测试集上,取得的平均交并比分别为73.13%、73.81%、74.25%,总体上优于对比算法。     

异构同步协作系统的集成框架

为了解决异构同步协作系统之间的通信问题,基于集合论提出了一种新的同步协作系统数学模型,并定义了集成过程中使用的关键运算,对异构同步协作系统的集成进行分析,提出实现该框架的2个关键机制.代理机制屏蔽异构系统之间的资源差异和所在网络的差异,并且协调各个系统之间的交互.多点传输机制用于在一次会晤中连接多个异构协作系统.在此基础上定义了一个能够集成各种异构同步协作系统的集成框架.根据该框架,运用Web Services技术开发了集成系统.此系统实现了3种用户群较多的、典型的协作系统的集成,分别是基于H.323标准集的协作系统,基于SIP(Session Initiation Protocol)协议的协作系统和基于IP组播的协作系统.这些异构系统的用户相互之间能够实现通信和同步协同工作.     

基于小波变换和神经网络的脑电信号分类方法

结合小波变换和神经网络对酒精中毒者和正常清醒者的脑电信号进行分类.通过分析脑电数据找出分类特征;采用一维离散小波变换提取含有分类特征的脑电信号频段,并以小波变换分解系数作为信号特征,实现数据序列长度压缩;对应3种刺激方式建立3个相同结构的学习向量量化(LVQ)神经网络,用于对脑电信号的预分类;根据判决规则得到最终分类结果.对真实脑电数据的分类正确率达到89%.     

基于EEG信号特征的脑力疲劳快速检测方法

空间站飞行过程中航天员容易产生脑力疲劳，其是影响作业效率和引起失误的主要因素。为此，研究人体脑力疲劳的快速检测方法，将有利于保障在轨运行安全。脑电波(EEG)的特征变化能够反映出大脑疲劳状态，但现有EEG方法分析脑力疲劳时需要多个导联的信号，这严重限制了其在空间站环境中的实际应用。通过地基实验，采用36 h睡眠剥夺的方式成功诱发出45名受试者的多种脑力疲劳状态。针对EEG信号的非平稳性，设计的8层db4小波变换结构，有效分解出了δ、θ、α和β脑节律波。先使用方差分析( ANOVA)和Logistic回归筛选出脑力疲劳敏感特征，再依据脑力疲劳敏感特征数量进一步筛选出脑力疲劳敏感导联，应用6个敏感导联的特征分别构建了随机森林回归模型。加权融合6个导联处的回归模型，形成脑力疲劳快速检测模型，其平均精确率高达85.25%。      

一种地震动信号特征提取与分类方法

为了实时检测、识别和预警对地下基础设施的挖掘破坏活动，本文提出一种地震动信号特征提取与分类方法。通过提取小波包变换域和集合经验模态变换域的多域能量联合分布特征向量，构建改进的径向基神经网络分类模型，利用机器学习的方法提取稳定的信号多域融合特征，并实现准确的信号特征分类预测。由多类别挖掘信号的仿真实验结果可以看出，本文的算法和模型能有效提升地震动信号分类的准确率，对地震动干扰信号具有较强的鲁棒性。     

Development and testing of a statistical texture model for land cover classification of the Black Sea region with MODIS imagery

A statistical model is proposed for analysis of the texture of land cover types for global and regional land cover classification by using texture features extracted by multiresolution image analysis techniques. It consists of four novel indices representing second-order texture, which are calculated after wavelet decomposition of an image and after texture extraction by a new approach that makes use of a four-pixel texture unit. The model was applied to four satellite images of the Black Sea region, obtained by Terra/MODIS and Aqua/MODIS at different spatial resolution. In single texture classification experiments, we used 15 subimages (50 × 50 pixels) of the selected classes of land covers that are present in the satellite images studied. These subimages were subjected to one-level and two-level decompositions by using orthonormal spline and Gabor-like spline wavelets. The texture indices were calculated and used as feature vectors in the supervised classification system with neural networks. The testing of the model was based on the use of two kinds of widely accepted statistical texture quantities: five texture features determined by the co-occurrence matrix (angular second moment, contrast, correlation, inverse difference moment, entropy), and four statistical texture features determined after the wavelet transformation (mean, standard deviation, energy, entropy). The supervised neural network classification was performed and the discrimination ability of the proposed texture indices was found comparable with that for the sets of five GLCM texture features and four wavelet-based texture features. The results obtained from the neural network classifier showed that the proposed texture model yielded an accuracy of 92.86% on average after orthonormal wavelet decomposition and 100% after Gabor-like wavelet decomposition for texture classification of the examined land cover types on satellite images.     

一种深度学习分割遥感影像道路的损失函数

传统的根据光谱特征或形态学算法来分割道路,存在精度低、阈值难确定等缺点,而深度学习中已有的方法并未考虑道路的特性,只是利用通用方法来分割道路。针对上述不足,提出了一种针对道路特有形态的深度学习损失函数——形态损失函数。首先使用连通性算法将预测结果划分为若干个相互分离的连通区域,分别计算这些区域的面积与外接圆面积的比值,然后取平均值作为此批训练数据的形态损失函数,最后将形态损失函数按一定的比例与交叉熵损失函数求和,得到最终的损失函数。通过在公开的遥感数据集上使用深度学习网络进行对比试验,附加了形态损失函数后平均交并比（MIoU）、准确度（ACC）及F1 Score均有提高。从预测的图形来看,附加了形态损失函数后,预测的道路更为连续。所提出的形态损失函数可用于提高光学遥感影像道路分割的精度。     

基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法

调制识别是信号检测与解调的关键环节,针对卫星调制中采用的MAPSK,MQAM,MFSK,MPSK方式,提出了一种计算小波变换熵值并结合高阶累积量的联合调制识别算法.根据小波变换对时频信息敏感的特点,不同调制方式高阶累积量计算结果的区分性以及不同复杂度的调制信号熵值结果不同,分析了以上4类调制信号的计算结果,提出了基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法.计算调制信号小波系数,据此计算熵值,实现对调制信号的类别划分,使用高阶累积量实现类别内的信号分类.经过仿真分析,可实现在8dB以上达到0.9识别率的效果,该方法对高阶（64阶调制）信号识别具有一定借鉴意义.      

平方根滤波算法在传递对准误差评估中的应用

传递对准误差评估,通常需要进行顺序Kalman滤波及逆序平滑处理。在递推处理过程中,系统状态均方误差阵常常失去非负定性而导致滤波发散。将平方根滤波应用于对准误差的评估中,采用平方根滤波和平方根平滑算法进行弹载子惯导系统的传递对准误差评估,能够保证状态均方误差阵的正定性,并且提高了滤波的收敛速度和评估的误差,为传递对准提供了一种有效的误差评估方法。     

基于联合分布适配的智能电表运行状态评价

针对智能电表运行状态评价中经常存在带标签的数据采集困难且不同地区的数据分布不一致的问题，在智能电表的运行状态评价领域引入迁移学习中的联合分布适配（JDA）算法。该算法寻找一个最优化的变换矩阵，使得在变换后的空间中不同地区数据的边缘分布和条件分布距离最小化。针对条件分布适配中目标域没有数据标签的问题，采用伪标签迭代的方法使得目标域伪标签不断接近真实标签。变换后空间数据中训练得到的分类模型可以运用于新的地区，实现迁移。实验结果证明了JDA算法在智能电表运行状态评价中的有效性。      

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

基于改进PCNN的轴尖表面缺陷检测

脉冲耦合神经网络(PCNN,Pulse Coupled Neural Network)与传统神经网络不同,不经过训练即可用于图像处理.针对PCNN模型中结构参数较多,且需要人工反复试验进行设置的困难,改进模型结构,简化了馈送输入和连接输入,减少了待定参数;根据邻域灰度动态地计算内部连接系数,由邻域的欧氏距离计算权值矩阵,再由图像的灰度特征计算动态阈值.将改进的PCNN用于陀螺轴尖表面缺陷图像的分割,用基于完整性与正确性指标的缓冲区匹配方法评价所提方法、最大熵法及Canny方法.针对不同缺陷图像的实验表明:所提算法的完整性与正确性都高于0.9,证明所提方法更有效.