一种基于分块下三角分解的子空间GNSS抗干扰方法

通过SVD获得子空间的方法,适合于多变环境和较少数据样本情况,但计算量很大,限制了该方法的实时应用.在不降低性能的条件下,将SVD弱化为分块下三角分解,减少了提取子空间的复杂度,并给出基于Givens旋转的实现结构,具有结构简单,便于并行实现的优点.将该方法应用于GNSS抗干扰仿真实验,验证了其有效性.     

子空间分解与淘汰优化方法

提出一种新的多学科设计优化方法,即子空间分解与淘汰优化方法.该方法通过子空间的分解和淘汰,提高剩余子空间的近似模型精度,基于子空间近似模型优化获取最优解.首先,基于设计空间近似模型获取最优解,如果近似模型达到满意精度,则终止优化;否则将设计空间分解为多个子空间.然后,各子空间基于近似模型优化,如果子空间没有可能获得优于...     

家风见真情

党员干部的家风问题,直接关系领导干部在群众中的形象,影响着党风和社会风气。党员干部家风不正,不仅影响领导干部自身的形象和威信,也会损害党的声誉。国廉则安,家廉则宁。无论是历史上,还是现实生活中,由于家教不严,导致配偶子女给社会造成危害,最终导致家破人     

基于卷积核剪枝的遥感目标检测模型压缩方法

针对基于卷积神经网络的遥感目标检测模型压缩问题,基于卷积核剪枝理论,设计了卷积通道剪枝的方案,对YOLOv3模型进行精简压缩.提出卷积通道的概念并将BN层系数作为卷积通道的评估因子,使用L1正则化将评估因子稀疏化,将评估因子值较小的卷积通道剔除,再对各卷积层中的参数进行微调,从而达到模型压缩的目的.使用该方法对自制的典型遥感目标检测数据集进行目标检测实验,在剔除90％参数的情况下,测试精度下降率在10％以内.实验结果表明该方法能以较小的精度损失为代价,节省大部分的储存空间和计算量.     

基于反卷积处理的Bartlett匹配场定位方法

为了降低Bartlett匹配场定位方法输出定位模糊函数背景级,提出了一种基于反卷积处理的Bartlett匹配场定位方法.该方法借助图像复原理论中的反卷积技术,在Bartlett匹配场定位方法基础上论述了点扩展函数设计过程;利用预设计的点扩展函数和二维反卷积技术,对Bartlett匹配场定位方法输出定位模糊函数进行反卷积处理,得到清晰定位模糊函数,降低了背景级及其导致的定位模糊问题.数值仿真结果表明,该方法通过对定位模糊函数进行反卷积处理,定位模糊函数背景级远低于Bartlett匹配场定位方法和MVDR匹配场定位方法;定位模糊函数背景级随着反卷积迭代次数增加而降低,函数峰值也变得更加"尖锐",具有更好的目标声源空间位置分布估计能力.     

中文分词与命名实体识别的联合学习

将卷积结构引入循环神经网络,从而构建卷积循环神经网络。以此为基础,研究构建了面向中文分词与实体识别联合学习的序列标注模型。该模型依托卷积循环神经网络构建特征编码层,实现中文字序列局部空间特征和长距离时序依赖特征的联合提取;依托改进的循环神经网络构建标签解码层,实现标签序列长距离时序依赖的有效建模;依托统一的分词与实体识别序列标注模式实现分词信息与实体信息的联合学习,避免传统流水线法的误差传播问题。在人民日报语料和微软标注语料上的实验结果显示,该框架较传统统计模型和神经网络模型有显著的性能提升,尤其是在识别字数较多的命名实体时,其效果明显优于其他方法。     

巨型机求解大型稀疏问题的Krylov子空间法

求解大型稀疏问题最流行的方法是建立在子空间投影技术之上的。这类方法的主要吸引力是仅需要使用矩阵向量乘法。我们给出PCG、GMRES、Lanczos和Davidson算法及在YH-I上的实现,然后比较每一方法的优缺点,并尽可能讨论其并行执行。     

新四军的两个英雄团

大显神威的“铁锤子”团 　　新四军第 2师第 4旅第 11团由鄂东北独立团改编而成。 1941年 1月,“皖南事变”爆发,国民党顽固派倒行逆施,国共合作抗日局面出现严重危机。这年 10月 11日,国民党军第 171师和第 8、第 10游击纵队等,先后侵占淮南津浦路西抗日民主根据地广兴集、周家岗、大桥等地,企图迫使我抗日武装退出淮南津浦路以西地区。当时,在淮南津浦路西坚持抗日的新四军第 2师第 4旅第 11、第 12团和第 5旅第 13团及第 6旅,在忍无可忍的情况下,决定歼灭大桥之敌,收复根据地。第 11团担任主要攻击任务。 11日晚,团组织两个…     

子自仿射集的Hausdorff维数

设S1,S2 ,… ,SN 是Rn 上的N个仿射压缩映射 ,若Rn 的紧子集E满足E UNi =1 Si(E) ,则称E为子自仿射集 .作者在一定条件下得到了子自仿射集E的Hausdorff维数 .     

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。