一种基于交叉关联积分的功放无意调制识别方法

针对同频率连续波信号中的功放指纹分析问题,提出一种基于相空间交叉关联积分的无意调制识别方法(CCI-UMI).该方法通过对功放无意调制的机理分析和对重构矢量沿轨迹概率(PDT)的理论分析,建立了相轨迹比较的基本理论依据和参数选择方法.采用多尺度交叉关联积分算法,在重构相空间实现了对信号细微差别的灵敏比较.对任意波发生器两路通道实测数据的分类实验表明:本方法识别率较高,经合理选择参数,在低信噪比下可获得比功率谱方法和相空间微分方法更好的分类性能.     

论军事后勤的分类管理

军事后勤分类管理是指对军事后勤要素进行识别、鉴定、描述、命名和归类的活动，其分类的微观机理基础是相似性原理和等级原理。依据相似性原理和等级原理以及力量的递延谱系，后勤系统按专业勤务、构成要素、目标范围和效力、保障力生成跨距等方面可分为十九类。     

重在“应用”——资源卫星数据在贵州应用取得成效

2001年12月,中国资源卫星应用中心(以下简称“中心”)与贵州省科技厅签署了合作协议。按照协议,资源卫星数据将在贵州经济建设和社会发展的各个领域广泛应用。这是中心加速航天高科技成果转化,参与西部大开发的重点项目之一。 2002年,双方加快合作步伐,为加强资源卫星数据在贵州应用项目的领导,成立了领导小组,制定了《中巴地球资源卫星(CBERS)数据在贵州的应用实施规划》。规划提出,首批启动贵阳市森林资源调查与监测项目。     

基于多尺度特征聚类算法的不确定目标检测

提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题,采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述,并针对特征维度较高及特征描述之间存在的冗余问题,通过PCA算法对其进行降维处理后,采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证,实验结果表明该方法具有一定的有效性和可行性。     

基于K均值排序方法的频域盲分离算法

针对频域盲分离算法中存在的排序不确定性问题,提出一种基于K-means算法的排序方法。该方法在排序中使用K-means算法对分离子信号进行整体排序,与传统相邻频点排序方法相比,大大提高了盲源分离的鲁棒性。仿真结果表明了该方法的有效性。     

现代文本分类技术研究

分析了当前的文本分类技术,总结了文本分类需要解决的问题;在详细比较了各种不同的分类算法以及文本模型以后,为进一步开展优化以及提高文本分类技术的研究工作提供了一些参考和建议。     

抓好重点 确保实现首季经济“开门红”

必须高度重视,全力以赴抓好重点工作和关键环节,为今年开好局、起好步奠定基础当前的工作重点是:做好年终考评和兑现工作抓好经济运行调节抓好冬春农业生产和团场职工多元增收工作妥善安排职工群众生活切实抓好社会稳定和安全生产工作     

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。     

结合多视角学习与一致性表征的人脸伪造检测

现有的人脸伪造检测方法通常在已知域上表现较好,但面临过拟合的风险,在应对未知场景时无法保持良好的检测能力。为解决此问题,提出一种结合多视角学习与一致性表征的人脸伪造检测框架。为捕获更全面的伪造痕迹,将输入图像转换为两种互补视角并采用双流骨干网络进行多视角特征学习。引入一致性度量,以补丁级监督的方式明确约束不同视角输出的局部特征的相似度。为提高检测精度,采用特征分解策略进一步优化伪造特征,减少不相关因素的干扰,并以伪造特征空间的决策作为最终的预测结果。在基准数据集上进行的大量实验表明,所提出的方法优于现有的主流模型,具备良好的跨域泛化能力。     

基于提示学习的中文文本分类方法探究

自动文本分类方法是当前信息化和数据化时代处理非结构化信息的基本方法,是提升决策系统智能化程度的关键技术手段。近年来,由于其在小样本领域以及迁移学习方面的优异性能,基于提示学习的文本分类方法逐渐被广泛应用于一系列自然语言处理任务上。然而,当前对基于提示学习的方法仍集中于英文领域。英文和中文在语义、文法上的巨大差异性,基于提示学习的分类方法能否在中文任务中提高模型性能仍然有待探索。因此,使用中文基线数据集CLUE中多个分类任务对基于提示学习的文本分类方法性能进行实验验证。结果表明,基于提示学习的分类方法在多种分类任务上都表现出了较基线更强的性能,在不同的输入长度以及标签数量设置下也具有较强的鲁棒性。