针对L波段数字航空通信系统(L-band digital aeronautic communication system,LDACS)可用频谱资源有限且易受大功率测距仪(distance measuring equipment,DME)信号干扰的问题,提出一种基于降维循环谱和残差神经网络的频谱感知方法。首...针对L波段数字航空通信系统(L-band digital aeronautic communication system,LDACS)可用频谱资源有限且易受大功率测距仪(distance measuring equipment,DME)信号干扰的问题,提出一种基于降维循环谱和残差神经网络的频谱感知方法。首先理论推导分析了DME信号的循环谱特征;然后利用Fisher判别率(Fisher discriminant rate,FDR)提取循环频率能量最大的向量,通过主成分分析(principal component analysis,PCA)进行预处理特征增强;最后给出数据处理后的循环谱向量与卷积神经网络相结合的实现过程,实现了DME信号的有效检测。仿真结果表明,该方法对噪声不敏感,当信噪比不低于-15 dB时,平均检测概率大于90%。当信噪比不低于-14 dB,检测概率接近100%。展开更多
为提高利用重力异常数据反演马里亚纳海沟地形的精度,基于残差深度神经网络(residual deep neural network,RDNN)方法和重力异常等数据反演了马里亚纳海沟的1′×1′海底地形,通过实测检核点水深对RDNN模型的精度进行评估,并和重力...为提高利用重力异常数据反演马里亚纳海沟地形的精度,基于残差深度神经网络(residual deep neural network,RDNN)方法和重力异常等数据反演了马里亚纳海沟的1′×1′海底地形,通过实测检核点水深对RDNN模型的精度进行评估,并和重力地质法(gravity-geology method,GGM)模型结果进行对比。结果表明RDNN较GGM对马里亚纳海沟地形反演更为精细,实测水深检核表明RDNN模型均方根误差为128.98 m,优于GGM模型的150.14 m,且RDNN与船测检核水深也有更好一致性,RDNN深度学习模型为利用重力异常数据反演高精度海底地形提供了参考和依据。展开更多
文摘【目的】探究残差神经网络(residual neural network,ResNet)对不同种类鸡蛋的分类效果,明确深度学习应用存在智能鸡蛋巡检装置的可行性,为家禽养殖智能化进程提供新思路,并为鸡蛋分类研究提供数据支撑。【方法】在鸡舍实地取样,采用自适应矩估计优化器(adaptive moment estimation,Adam)以微调最后1层、微调所有层和重新训练所有层3种迁移学习策略分别训练,并通过调整模型权重参数及改变学习率的方式训练出最佳分类模型。【结果】得到识别准确率高达98.971%的鸡蛋分类模型。计算出模型在数据集上的各类评估指标,并借助混淆矩阵及语义特征降维可视化,分析出鸡蛋分类识别中易被误判的类别及语义。该模型部署后实时性良好,满足实际需求。【结论】鸡蛋的分类识别中光照条件是关键影响因素,应尽可能使鸡舍光照稳定均衡。针对6类鸡蛋,微调所有层并调整学习率参数为0.6,可得最佳模型。其在鸡舍场景下分类效果优良,尤其是颜色语义,应用于智能鸡蛋巡检装置,可有效降低人力成本。后续研究中应注重畸形蛋及软壳蛋的记录,为进一步优化提供数据支撑。
