基于稠密度聚类的船载通信微弱信号自动增强方法

船载通信信号在传输过程中受各种因素的影响存在被削弱的现象,使得原始信号变成了微弱信号,如果不进行增强处理,会延长数据传输时间以及造成信噪比过小,影响通信质量。针对上述问题,提出一种基于稠密度聚类的船载通信微弱信号自动增强方法。该方法主要分为3步:第一步进行小波去噪处理,降低噪声对原始信号的干扰;第二步利用稠密度聚类方法对微弱信号进行聚类检测,加快信号增强处理效率;第三步对检测出来的信号进行补偿,增强信号特征。结果表明:与传统船载通信微弱信号自动增强方法相比,本方法处理后,数据传输延时值缩短3.8 s,信噪比增大8.3 dB,解决了传统方法存在的问题。     

高速列车的动态环境及其技术的根本特点

讨论了高速列车所处的动态环境。指出高速列车与普通列车的根本不同在于列车所处的动态环境发生了质的变化,由机械、电气作用为主,变为以气动作用为主。正是由于这一巨大变化,才产生了一系列高速列车技术的特点。例如,由于需要特大牵引功率来克服地表稠密大气所产生的阻力,高速列车必须放弃机车牵引,采用动车组模式;对高速列车必须进行“噪声设计”,才能分别按环保要求决定高速通道不同区段的最高限制速度。本文根据上述观点得出一些不同于通常所理解的关于地面高速交通的结论。比如:指出磁浮列车只有在低速下运行,才能凸显其低噪声的优点,高速度并不是它的特长。本文还进一步指出,地面开敞式高速交通,最高速度不宜高于400 km/h,超过这一限速必须采用真空管道高速交通。     

格区间值Fuzzy集的分解定理(Ⅰ)

对格区间值Fuzzy集作了进一步的研究,分别给出了[λ1,λ2]、(λ1,λ2]、[λ1,λ2)、(λ1,λ2)上的下截集、上截集、下重截集和上重截集的新的定义及一种新的闭区间与格区间值Fuzzy集的运算,并给出了与此相应的四条重要的分解定理.     

格区间值Fuzzy集的分解定理(Ⅰ)

对格区间值Fuzzy集作了进一步的研究,分别给出了[λ1,λ2]、(λ1,λ2]、[λ1,λ2)、(λ1,λ2)上的下截集、上截集、下重截集和上重截集的新的定义及一种新的闭区间与格区间值Fuzzy集的运算,并给出了与此相应的四条重要的分解定理.     

基于宽浅稠密网络的无人驾驶汽车交通标志牌识别

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在测试集上实现了99.68%的准确率。在标志牌清晰完整和模糊不全两种情况下验证模型识别效果,结果显示,模型未出现误检和漏检情况,在图像信息被破坏的情况下,仍能以最大置信度正确地识别标志牌,识别准确度高、抗干扰能力强,具有良好的鲁棒性及泛化能力。     

紧致度量空间及其逆极限空间

研究了紧致度量空间X上连续映射f:X→X及其逆极限空间lim(X,f) 上移位映射σf:lim(X,f)→lin(X,f)之间的相互关系；f有不变集当且仅当σf有不变集；f有稠密轨道当且仅当σf有稠密轨道；X中有非回归点当且仅当lim(X,f)中有非回归点；f在X上是拓扑传递的当且仅当σf在lim(X,f）是拓扑传递的。     

稠密度聚类在舰船网络微弱信号自适应增强中的应用

提升舰船网络信号及整体通信质量,提出基于稠密度聚类的舰船网络微弱信号自适应增强方法.应用稠密度聚类算法检测出舰船网络微弱信号,通过经验模态分解法分解微弱信号,结合小波变换法与奇异谱分析法去除的噪声,实现舰船网络微弱信号增强信.结果表明,该方法能够有效分解所检出微弱信号,并进行分量去噪处理,去噪后各信号分量不仅保留原有细...     

可求长曲线的非零温度点

构造一个平面上的可求长曲线,在其上非零上温度点是稠密且不可数的。