基于深度学习多网络融合的网联车辆驾驶行为预测

智能网联车在复杂道路场景中安全行驶需要对周围车辆驾驶意图和行驶轨迹的准确预测。将双向长短期记忆网络(Bi-directional Long Short-Term Memory)、卷积生成对抗网络(Deep Convolutional Generative Adversarial)和注意力机制(Attention Mechanism)相融合,提出一种基于BLSTM-DCG-ATT的网联车辆驾驶意图和行为预测模型。通过正反双向LSTM链路和注意力机制得到具有双重特征的数据,通过卷积生成对抗网络对特征数据进行卷积处理,迭代生成网联车辆及周围车辆的未来时刻变道意图和行驶信息。仿真结果表明：该模型能够在复杂路网、交通流密集的情况下,对网联车辆及其周围车辆的变道意图和行驶轨迹进行准确预测,预测精度达94%。     

块三对角矩阵的修正型局部块分解预条件

利用块三对角阵分解因子构造了一类修正型不完全分解预条件子 ,分析了该预条件子的存在性及其若干性质。针对从二维Laplace算子离散得到的五点差分矩阵 ,给出了预条件后的实际条件数 ,结果表明 ,条件数与矩阵阶数的平方根成正比 ,并且比例因子随局部分解步长的增大而逐渐减小。具体实现时 ,考虑了其高效实现方案 ,并针对从二维Laplace算子与系数不连续的二维椭圆型算子离散得到的五点差分矩阵 ,在主频为 5 5 0MHz ,内存为 2 5 6MB的微机上作了大量实验 ,且与其他较有效的预条件方法进行了比较 ,结果表明该预条件方法效率优于其他测试预条件。     

像素级图像融合方法分类与比较

图像融合的目的是将同一场景的多幅图像的互补信息合并成一幅新图像 ,以便更好地对场景进行监视和侦察。介绍了像素级图像融合的几种方法 ,按空间域和变换域对各种方法进行了分类 ,并对各种方法进行了比较。重点评述了小波用于图像融合的优点     

LFM脉压雷达的随机移频干扰研究

分析了固定移频干扰对LFM脉冲压缩雷达的干扰效果,针对固定移频干扰容易被识别的缺点,提出了一种改进的移频方式——随机移频。理论分析表明随机移频干扰经脉压处理后为覆盖一定距离的似噪声干扰带,通过控制频移量的随机分布参数可改变干扰带覆盖范围、干扰带中心位置和干扰带内能量分布。由于干扰获得了部分压缩增益,较低的干扰功率就可实现遮盖干扰。仿真实验证实了理论分析的正确性和干扰的有效性。     

宽带SAR子带脉冲循环转发干扰

宽带SAR利用脉冲压缩获得距离向高处理增益,同时利用合成孔径技术获得方位向的处理增益,常规的噪声干扰难以奏效。利用频带匹配的相干干扰信号虽然可以获得较好的干扰效果,但现有器件条件下难以产生足够高的干扰信号功率。子带脉冲循环转发干扰技术利用子带脉冲与雷达信号的部分相关特性,获取一定的处理增益,在一定程度上提高了干扰功率的利用效率。理论分析和仿真结果表明,脉间去相关的子带脉冲循环转发干扰可以形成较好的压制干扰,具有更好的使用价值。     

重离子碰撞中的量子饱和机制

分别利用胶子半经典饱和与量子饱和机制,研究了相对论重离子碰撞中净余质子产生截面的大横动量现象。通过贝塞尔函数多项式近似与辛普森求积法的结合应用,解决了对贝塞尔函数的二重高振荡积分问题。计算发现:量子饱和机制的计算结果能很好地解释布鲁克海文国家实验室的最新实验现象,从而证实了高能重离子碰撞中胶子量子饱和机制的存在。     

用于视频图像帧间运动补偿的深度卷积神经网络

为探索深度学习理论在视频图像帧间运动补偿问题中的应用,提出一种用于视频图像帧间运动补偿的深度卷积神经网络。该网络由卷积模块和反卷积模块构成,可以处理不同分辨率输入图像并具备保持较完整图像细节的能力。利用具有时序一致性的视频图像序列构造训练样本,采用随机梯度下降法对设计的深度卷积神经网络进行训练。视觉效果和数值评估实验表明,训练得到的网络较传统方法能更有效地进行视频图像帧间运动补偿。     

盲提取方法在柴油机活塞-缸套撞击信号提取中的应用

讨论了盲反卷积在机械振动信号处理中的应用以及盲反卷积中常用的模型和方法,利用信号和高斯信号之间的Kullback-Leibler距离构建目标函数,提出了一种以伪并行遗传算法为优化工具的盲反卷积算法,并通过仿真验证了算法的正确性.实验也证明,该算法能成功地从柴油机机体振动信号中提取出活塞-缸套撞击信号.     

基于子束变换的自适应线性特征检测

子束变换是一种在多个尺度上对图像线段求积分的线段检测算法.针对二值图像中的线性特征,在强杂波环境下,研究了子束变换的特征检测问题.综合利用了不同尺度上的子束特性,引入线性插值、新的目标函数和Chebyshev不等式,提出了一种自适应线性特征检测算法.仿真结果表明,该算法对杂波环境下的线性特征检测非常有效,并对短线干扰有一定的抑制能力.     

一种基于线性流形的基因表达数据的聚类方法

由于基因表达数据的稀疏性和噪声性,传统聚类算法对其聚类时不能取得好的效果。针对这一问题,一种新的线性流形方法被提出,它的基本思想是搜索数据集中的线流形聚类,再将其中某些线流形聚类融合构造高维流形聚类。该算法将切向距离和法向距离作为线性流形的距离度量,运用空间近邻信息,采用聚类基因的平均表达水平作为转移向量,提高了聚类的准确度。实验结果表明,该算法的聚类准确性优于其它聚类算法,并且对带有噪声的数据可以保持较高的聚类准确度;在对Hela基因表达数据聚类时,算法得到了具有显著生物学意义的聚类。这些都说明提出的算法对基因表达数据聚类的适用性和有效性。