为验证收发器硬件损耗对通信系统性能的影响,在考虑收发器硬件损耗的情况下,对智能反射面(intelligent reflecting surface,IRS)辅助的携能通信(simultaneous wireless information and power transfer,SWIPT)系统的鲁棒性传输设计进行...为验证收发器硬件损耗对通信系统性能的影响,在考虑收发器硬件损耗的情况下,对智能反射面(intelligent reflecting surface,IRS)辅助的携能通信(simultaneous wireless information and power transfer,SWIPT)系统的鲁棒性传输设计进行研究.在考虑基站的最大发射功率、能量收集器的最小接收能量和IRS无源波束成形的约束下,将优化目标设为最大化所有信息接收者的加权和速率,并使用块坐标下降(block coordinate descent,BCD)算法将优化问题分解成多个优化子问题,交替优化.对于基站有源波束成形和IRS无源波束成形的优化问题,分别采用拉格朗日对偶方法和最优化最大化(majorization minimization,MM)算法来解决.仿真结果验证了收发器硬件损耗对系统性能的影响,也证实了信息接收端的硬件损耗要比基站发射端的硬件损耗对系统造成的性能下降更明显.展开更多
CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同...CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U-net的深度卷积网络,通过提取感兴趣区(region of interest,ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图像的目的。为了解决医学图像数据集小的问题,在训练和测试阶段采用数据扩增技术来避免分割结果出现假阳性。在训练集和测试集含有199个和46个多站点新冠肺炎病变患者CT图像的数据集上对本文提出的方法进行了验证,从Dice指标来看,本文算法获得了较好的效果。展开更多
感兴趣区域(Region of interest,ROI)提取在生物特征识别中,常用于减少后续处理的计算消耗,提高识别模型的准确性,是生物识别系统中预处理的关键步骤.针对生物识别数据,提出了一种鲁棒的ROI提取方法.方法使用语义分割模型作为基础,通过...感兴趣区域(Region of interest,ROI)提取在生物特征识别中,常用于减少后续处理的计算消耗,提高识别模型的准确性,是生物识别系统中预处理的关键步骤.针对生物识别数据,提出了一种鲁棒的ROI提取方法.方法使用语义分割模型作为基础,通过增加全局感知模块,与分割模型形成对抗结构,为模型提供先验知识,补充全局视觉模式信息,解决了语义分割模型的末端收敛困难问题,提高了模型的鲁棒性和泛化能力.在传统二维(2D)指纹、人脸、三维(3D)指纹和指纹汗孔数据集中验证了方法的有效性.实验结果表明,相比于现有方法,所提出的ROI提取方法更具鲁棒性和泛化能力,精度最高.展开更多
文摘为验证收发器硬件损耗对通信系统性能的影响,在考虑收发器硬件损耗的情况下,对智能反射面(intelligent reflecting surface,IRS)辅助的携能通信(simultaneous wireless information and power transfer,SWIPT)系统的鲁棒性传输设计进行研究.在考虑基站的最大发射功率、能量收集器的最小接收能量和IRS无源波束成形的约束下,将优化目标设为最大化所有信息接收者的加权和速率,并使用块坐标下降(block coordinate descent,BCD)算法将优化问题分解成多个优化子问题,交替优化.对于基站有源波束成形和IRS无源波束成形的优化问题,分别采用拉格朗日对偶方法和最优化最大化(majorization minimization,MM)算法来解决.仿真结果验证了收发器硬件损耗对系统性能的影响,也证实了信息接收端的硬件损耗要比基站发射端的硬件损耗对系统造成的性能下降更明显.
文摘CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U-net的深度卷积网络,通过提取感兴趣区(region of interest,ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图像的目的。为了解决医学图像数据集小的问题,在训练和测试阶段采用数据扩增技术来避免分割结果出现假阳性。在训练集和测试集含有199个和46个多站点新冠肺炎病变患者CT图像的数据集上对本文提出的方法进行了验证,从Dice指标来看,本文算法获得了较好的效果。
文摘感兴趣区域(Region of interest,ROI)提取在生物特征识别中,常用于减少后续处理的计算消耗,提高识别模型的准确性,是生物识别系统中预处理的关键步骤.针对生物识别数据,提出了一种鲁棒的ROI提取方法.方法使用语义分割模型作为基础,通过增加全局感知模块,与分割模型形成对抗结构,为模型提供先验知识,补充全局视觉模式信息,解决了语义分割模型的末端收敛困难问题,提高了模型的鲁棒性和泛化能力.在传统二维(2D)指纹、人脸、三维(3D)指纹和指纹汗孔数据集中验证了方法的有效性.实验结果表明,相比于现有方法,所提出的ROI提取方法更具鲁棒性和泛化能力,精度最高.
