期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进反馈卷积自编码器的高光谱图像降维
被引量：
1
1
作者
刘芳华
宋文杰
《现代电子技术》
北大核心
2024年第19期94-99,共6页
高光谱图像具有光谱分辨率高、特征丰富、图谱合一等优势,在土地利用分类、城市规划管理、森林资源调查等领域有着广泛应用。但是,高光谱图像不同光谱通道间存在大量冗余信息,导致高光谱图像降维算法复杂度高,同时也降低了高光谱图像降...
高光谱图像具有光谱分辨率高、特征丰富、图谱合一等优势,在土地利用分类、城市规划管理、森林资源调查等领域有着广泛应用。但是,高光谱图像不同光谱通道间存在大量冗余信息,导致高光谱图像降维算法复杂度高,同时也降低了高光谱图像降维算法的性能。针对该问题,结合目前主流的深度学习技术,文中提出一种基于改进反馈卷积自编码器的高光谱图像降维方法。首先,为增强信息的流动,在原有编码器模型中引入残差连接,促进了梯度信息的传播;其次,为了能够更好地捕捉高光谱数据的关键特征,在现有解码器模型中加入分支结构;最后,通过使用平均池化替换最大池化,采用平均绝对误差(MAE)替换均方误差(MSE)损失函数,进一步优化模型的特征提取能力,提高高光谱图像降维的性能。实验结果表明,所提出模型在Indian Pines数据集上的高光谱图像降维性能超过了现有最新方法,为高光谱图像降维提供了一个新思路。
展开更多
关键词
高光谱图像
高光谱图像降维
反馈卷积
自编码器
深度学习
分支结构
在线阅读
下载PDF
职称材料
反馈神经网络卷积码解码器在光纤通信中的研究
被引量：
4
2
作者
林国华
殷奎喜
《现代电子技术》
2007年第7期97-99,共3页
反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的,RNN的性能已经在加性白噪声信道中得到了肯定。对RNN解码器在以放大自发发射(ASE)噪声为主的光纤...
反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的,RNN的性能已经在加性白噪声信道中得到了肯定。对RNN解码器在以放大自发发射(ASE)噪声为主的光纤信道中的性能进行了研究,在以ASE噪声为主的3种信道模型中,同时研究了RNN解码器和Viterbi解码器的性能,发现RNN的性能同样很好,在解码过程中还有优势。
展开更多
关键词
反馈
神经网络(RNN)
卷积
码解码器
VITERBI解码器
放大自发发射(ASE)噪声
光纤通信
在线阅读
下载PDF
职称材料
截断卷积码的重量枚举函数的计算
被引量：
1
3
作者
张路
万蕾
匡镜明
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2002年第4期517-520,共4页
针对 Turbo码和串行级联卷积码的好码搜索 ,提出了一种栅格合并方案实现卷积码的码重分布统计 .该方案以起始的局部栅格经编码后所得的码重分布为基础 ,按照把栅格路径长度每次增加为原来的 2倍的频率对栅格进行迭代合并 ,最终得到相应...
针对 Turbo码和串行级联卷积码的好码搜索 ,提出了一种栅格合并方案实现卷积码的码重分布统计 .该方案以起始的局部栅格经编码后所得的码重分布为基础 ,按照把栅格路径长度每次增加为原来的 2倍的频率对栅格进行迭代合并 ,最终得到相应的全局码重分布 .与传统的利用状态转移图计算卷积码的码重分布的方法相比 ,这种栅格合并方案在中、低交织时延下与传统方法的计算复杂度相当 ,但是省去了大量的预备工作 ,具有一定的实用意义 .
展开更多
关键词
截断
卷积
码
重量枚举函数
串行级联
卷积
码
反馈
系统
卷积
码
非
反馈
系统
卷积
码
在线阅读
下载PDF
职称材料
题名
基于改进反馈卷积自编码器的高光谱图像降维
被引量：
1
1
作者
刘芳华
宋文杰
机构
郑州轻工业大学
出处
《现代电子技术》
北大核心
2024年第19期94-99,共6页
基金
河南省科技攻关项目(242102210013)
河南省高等学校青年骨干教师培养计划项目(2023GGJS090)
国家自然科学基金项目(61502435)。
文摘
高光谱图像具有光谱分辨率高、特征丰富、图谱合一等优势,在土地利用分类、城市规划管理、森林资源调查等领域有着广泛应用。但是,高光谱图像不同光谱通道间存在大量冗余信息,导致高光谱图像降维算法复杂度高,同时也降低了高光谱图像降维算法的性能。针对该问题,结合目前主流的深度学习技术,文中提出一种基于改进反馈卷积自编码器的高光谱图像降维方法。首先,为增强信息的流动,在原有编码器模型中引入残差连接,促进了梯度信息的传播;其次,为了能够更好地捕捉高光谱数据的关键特征,在现有解码器模型中加入分支结构;最后,通过使用平均池化替换最大池化,采用平均绝对误差(MAE)替换均方误差(MSE)损失函数,进一步优化模型的特征提取能力,提高高光谱图像降维的性能。实验结果表明,所提出模型在Indian Pines数据集上的高光谱图像降维性能超过了现有最新方法,为高光谱图像降维提供了一个新思路。
关键词
高光谱图像
高光谱图像降维
反馈卷积
自编码器
深度学习
分支结构
Keywords
HSI
HSI dimensionality reduction
feedback convolution
auto-encoder
deep learning
branching structure
分类号
TN911.73-34 [电子电信—通信与信息系统]
TP39 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
反馈神经网络卷积码解码器在光纤通信中的研究
被引量：
4
2
作者
林国华
殷奎喜
机构
南京师范大学物理科学与技术学院
出处
《现代电子技术》
2007年第7期97-99,共3页
文摘
反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的,RNN的性能已经在加性白噪声信道中得到了肯定。对RNN解码器在以放大自发发射(ASE)噪声为主的光纤信道中的性能进行了研究,在以ASE噪声为主的3种信道模型中,同时研究了RNN解码器和Viterbi解码器的性能,发现RNN的性能同样很好,在解码过程中还有优势。
关键词
反馈
神经网络(RNN)
卷积
码解码器
VITERBI解码器
放大自发发射(ASE)噪声
光纤通信
Keywords
RNN convolution decoder
Viterbi decoder
Amplified Spontaneous Emission （ASE） noise
optical fiber communication
分类号
TN911.7 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
截断卷积码的重量枚举函数的计算
被引量：
1
3
作者
张路
万蕾
匡镜明
机构
北京理工大学电子工程系
出处
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2002年第4期517-520,共4页
基金
爱立信公司合作项目
文摘
针对 Turbo码和串行级联卷积码的好码搜索 ,提出了一种栅格合并方案实现卷积码的码重分布统计 .该方案以起始的局部栅格经编码后所得的码重分布为基础 ,按照把栅格路径长度每次增加为原来的 2倍的频率对栅格进行迭代合并 ,最终得到相应的全局码重分布 .与传统的利用状态转移图计算卷积码的码重分布的方法相比 ,这种栅格合并方案在中、低交织时延下与传统方法的计算复杂度相当 ,但是省去了大量的预备工作 ,具有一定的实用意义 .
关键词
截断
卷积
码
重量枚举函数
串行级联
卷积
码
反馈
系统
卷积
码
非
反馈
系统
卷积
码
Keywords
truncated convolutional code
weight enumeration function
serially concatenated convolutional code
recursive systematic convolutional code
non recursive systematic convolutional code
分类号
TN929.53 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进反馈卷积自编码器的高光谱图像降维
刘芳华
宋文杰
《现代电子技术》
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
反馈神经网络卷积码解码器在光纤通信中的研究
林国华
殷奎喜
《现代电子技术》
2007
4
在线阅读
下载PDF
职称材料
3
截断卷积码的重量枚举函数的计算
张路
万蕾
匡镜明
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2002
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
