基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

金属材料表面缺陷的激光超声检测技术

为了完成对金属材料表面缺陷深度的检测,提出了透射法检测与估计表面缺陷深度的方法。基于热弹机制和干涉接收方式,搭建了激光超声检测实验平台,实现了工件表面缺陷的非接触检测,完成了缺陷处的B-scan信号采集和成像,建立了透射系数与表面缺陷深度之间的关系。实验结果表明:由B-scan信号可见缺陷处透射声信号的幅值与表面缺陷深度有关;由透射系数-表面缺陷深度拟合曲线估计了深度0.3 mm表面缺陷,估计误差为16%,实现了表面缺陷深度的测量。     

基于深度学习的SAR图像目标检测实验

针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题,对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究,并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度,分析优缺点;研究了预训练模型对SAR图像目标检测精度的影响;最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架,实现了SAR图像多目标识别并提高了检测精度,可以有效地应用于SAR图像多目标检测。     

虚拟演播室技术

虚拟演播室系统利用色键功能，将真实的演员合成到虚拟的三维场景中，并与其中的虚拟对象进行实时交互，给视频媒体制作提供了广阔的空间。相对于传统的演播室，虚拟演播室的节目制作不再受实际演播空间和复杂场景制作的限制，场景的更换不再费时费力，而只需要从计算机中调入用3D软件预先创建好的虚拟场景。用户所要做的就是尽情发挥他们的想象力和创造力，就可以达到预想的演播效果，虚拟演播室系统为影视制作提供了一个虚拟空间的梦幻平台。     

在培育甘苦与共、生死与共的革命情谊中锻造过硬基层

习主席深刻指出,"要深入开展尊干爱兵、兵兵友爱活动,培养官兵甘苦与共、生死与共的革命情谊,巩固和发展团结、友爱、和谐、纯洁的内部关系"。当前,随着时代发展进步和改革强军深入推进,部队使命任务深度拓展,官兵成分年轻化、思想多元化、需求多样化,建设"三个过硬"基层更加需要团结巩固的革命情谊来凝聚意志、焕发热情、提供保证。     

数学实验教学与思考

一、什么是数学实验 数学实验是高等数学教育改革的产物.在大学,开设数学实验已成为共识.而在中学,它们的主要差异表现为中学生的知识面较窄、深度较浅,在实验课题的选择上必须符合中学生的认知特点.把数学实验及时引入到中学来,对中学教育改革必将起到重要而深远的影响.     

深度报道浅析

与西方相比,中国的深度报道可谓“先天不足,后天失调”。由于中国电视业起步较晚,报纸深度报道并不如西方那样,是媒介竞争的产物,这是“先天不足”,而当中国电视新闻深度报道异军突起之后,报业深度报道便有些捉襟见肘,力不从心,此乃“后天失调”。那么今日面临“内忧外患”的中     

俄罗斯接收新的潜水舰

据报道,俄罗斯已把第一艘新的潜水舰编入舰队。11980工程的首制舰,VM-596,在20世纪90年代初期开始建造,但由于预算问题,建造计划被推迟到2004年以便分配新的资金。VM-596,在2004年7月15日开工、11月28日正式服役。该舰用于潜水和打捞作业,下潜深度60米。设备包括Falcon远程操作的航行器、一个超气压处理室(hyperbaric chamber)和水下焊接仪器。VM-596是20多年来进入俄联邦海军服役的第一艘新的潜水支持舰,以后还计划建造两艘。俄罗斯接收新的潜水舰     

基于深度学习理论的数学教学策略

时代的飞速发展对于人才培养的规格与质量提出了新的要求,为了进一步提高学生的核心素养,实现以减负增质为导向的教育教学目标,以深度学习理论为基础,对数学课堂教学实践中引用深度学习策略的必要性进行分析,探究了当今数学课堂教学实践中面临的某些问题,从而寻找能够进一步提高学生学习效率的教学方法,促使学生能够积极主动参与教学过程。     

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。