Results 91 to 100 of about 5,953 (218)
Dianxin kexue现有基于深度学习的调制识别在训练阶段需要大量IQ信号样本，而复杂电磁环境中很难获取大量样本，导致基于深度学习的调制识别算法泛化性能下降。针对网络泛化能力差的问题，提出了一种基于信号增强的调制识别（signal enhancement based modulation recognition，SEBMR）算法。首先，设计了捕获IQ信号全局特征的特征提取及重构模块；其次，提出了基于辅助分类生成对抗网络（auxiliary classifier generative adversarial network ...
程风云, 周金
doaj +1 more source
Verification Technical Scheme for Deep Learning Algorithm Based on Interactive Zero Knowledge Protocol [PDF]
With the further development of nuclear disarmament and nuclear safeguards policies, future nuclear arms control agreements may limit all tactical nuclear warheads in the arsenal, as well as deployed and planned strategic nuclear warheads. Although there
LYU Yanfeng, LYU Xuesheng, HUANG Shenghui, LIANG Qinglei
core +1 more source
He jishu在极端相对论重离子碰撞条件下，精确构建有限重子化学势μB区域的量子色动力学（Quantum Chromodynamics，QCD）物质状态方程（Equation of State，EoS）是当前高能核物理研究的核心难题之一。本研究提出一种基于深度学习的准部分子模型，通过构建三个深度神经网络，成功实现了零μB条件下QCD状态方程的高精度重建。同时，经深入分析四阶广义磁化率χ4B在不同温度和μB下的单调性行为，大致限定了QCD临界点可能存在的区间为（T，μB）=（（0.113±0.019） GeV，（0 ...
李 甫鹏, 庞 龙刚, 秦 广友
doaj +1 more source
Kongjian kexue xuebao不同等级耀斑发生的频次存在数量级上的差别, 使基于常规卷积神经网络的耀斑预报模型通常难以捕捉M和X类耀斑先兆特征, 导致高等级耀斑预报精度低的问题. 本文对于这种耀斑预报中的长尾分布问题, 通过控制变量法讨论不同深度长尾学习方法对于耀斑预报精度提升. 尝试从训练集优化、损失函数优化、网络权重优化等角度改进模型对于M和X类耀斑的预报性能.
周 俊 +3 more
doaj +1 more source
Research on Environmental Sound Classification Based on Deep Learning [PDF]
, 2017 城市环境声音的自动分类，已经成为城市信息化进程中的一个关键点，是指通过计算机自动化的分类手段，针对不同的城市环境声音，如自然环境声音、家庭环境声音、道路环境声音等等，在具备背景噪音的情况下，来识别和分类出周围环境的状况。虽然目前环境声音分类领域的应用潜力巨大，但是效果却还不是特别理想，相对于语音识别和音乐检索这样的热点，环境声音的研究还有很多方面的工作可以进一步深化。 本文主要针对环境声音的分类问题，进行了相关的研究。在围绕分类的模型选择和有标记数据集匮乏两大问题上，分别提出了对应的解决方案 ...
冯冰
core
Zhejiang Daxue xuebao. Lixue ban, 2019 针对目前大部分PM2.5 预测模型预测效果不稳定、泛化能力不强的现状，以记忆能力较强的循环神经网络（RNN） 和特征表达能力较强的卷积神经网络（CNN） 为基础，采取Stacking 集成策略对两者进行融合，提出了RNN-CNN 集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度，而且在不同层次上将自动提取的高维时序数据通用特征用于预测，以保证预测结果的稳定性。最后，对集成之前的 RNN、CNN 和集成之后的RNN-CNN 模型，以2016 年中国大陆地区1 466 ...
HUANGJie(黄婕) +4 more
doaj +1 more source
Category-Aware Spatial Constraint for Weakly Supervised Object Detection [PDF]
, 2017 目标检测（objectdetection）是计算机视觉领域里一个非常重要的研究问题。随着近年来深度卷积神经网络的发展，其中基于深度学习的目标检测算法在性能上取得了巨大的进步。但是目前最先进的目标检测算法需要带有精确目标物体位置标签的数据来训练模型，而这种标签信息需要花费大量人力物力来标注，同时也会引入人工标注偏差。 本文的研究内容是基于弱监督学习的目标检测问题，即没有精确的目标物体位置标签，只用图像的类别标签来学习目标检测器。基于弱监督学习的目标检测有着广泛的应用和重要的意义 ...
沈云航
core
Research and application progress in deep learning in otology. [PDF]
Zhong Nan Da Xue Xue Bao Yi Xue Ban, 2023 Mao S +5 more
europepmc +1 more source
深度学习在生态资源研究领域的应用<bold>: </bold>理论<bold>、</bold>方法和挑战 [PDF]
, 2020 Yu LIU +11 more
openalex +1 more source