受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA...受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA估计方法未能充分利用阵列模型的先验信息,导致其建立的映射关系极为复杂,从而使得网络拟合难度较大。为此,提出一种基于先验驱动残差注意力网络的阵元故障MIMO雷达DOA估计方法。首先,利用MIMO雷达协方差矩阵的双重Toeplitz先验特性,构建了基于先验驱动的残差注意力网络,并引入残差注意力块对协方差矩阵的特征进行加权处理,旨在学习阵元故障下存在数据缺失的协方差矩阵和完整协方差矩阵生成向量之间的映射关系。然后,根据残差注意力网络输出的生成向量估计值得到完整的协方差矩阵。最后,利用RD-ESPRIT(Reduced Dimension ESPRIT)算法估计目标DOA。仿真结果表明,所提算法在阵元故障下的DOA估计性能优于现有算法,在信噪比为15 dB时,其DOA估计精度比效果最好的现有算法提高了43.26%。展开更多
传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿...传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿早期是否患龋的算法;采用U-Net网络和注意力机制实现牙齿颌面识别分类,分别对颌面轮廓和窝沟形态的标准进行分类训练并对比效果,进而对两个模型进行加权融合,在α=0.5,γ=0.5时,模型融合效果最佳,AUC(Area Under Curve)达到0.7792、准确率(ACC)达到0.9026、F1-score达到0.9061;实验结果表明:融合模型效果高于单独使用基于颌面轮廓的模型和单独使用基于窝沟的模型,为儿童预防龋齿提供了一种新的解决方案。展开更多
文摘传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿早期是否患龋的算法;采用U-Net网络和注意力机制实现牙齿颌面识别分类,分别对颌面轮廓和窝沟形态的标准进行分类训练并对比效果,进而对两个模型进行加权融合,在α=0.5,γ=0.5时,模型融合效果最佳,AUC(Area Under Curve)达到0.7792、准确率(ACC)达到0.9026、F1-score达到0.9061;实验结果表明:融合模型效果高于单独使用基于颌面轮廓的模型和单独使用基于窝沟的模型,为儿童预防龋齿提供了一种新的解决方案。
