卷积积分

摘要： 高振荡问题已广泛出现于许多科学工程应用领域,例如电磁、声波散射、量子化学和图象分析等问题。高振荡数值积分是高振荡问题数值解中的重要研究方向,由于其被积函数具有高振荡性,传统数值积分解法面临许多挑战。基于Lubich的卷积求积,本文针对一类高振荡的Bessel变换提出了一种新型的Hermite卷积积分公式,并研究了其在高振荡Volterra积分方程的数值解中的应用。通过理论与数值实验表明,该方法在计算含高振荡Bessel核的卷积积分以及积分方程时,计算精度不受振荡频率的影响,是一种高效的计算方法。

摘要： 结合信号与系统课程的内容特点,在教学过程中运用Jupyter Notebook应用程序,设计了一个课程综合实验平台.该平台实现了课堂中重要教学内容的交互式实时动态仿真,能将大量枯燥乏味的理论知识和烦琐的公式推导以图形化的方式呈现出来,帮助学生更好地理解抽象的概念、理论和分析方法,有利于教师的教学和学生的学习理解.

摘要： 同轴电缆在电能输送和信息传输中起着重要作用,电缆故障的快速、准确查找是减少经济损失、提高电气系统可靠性的关键。文中基于阻抗谱技术,以含中间接头的电缆为研究对象,分析了电缆故障及中间接头对电缆输入阻抗的影响,开展了电缆中间接头及故障的定位实验研究。研究表明:电缆的输入阻抗可反映电缆的局部绝缘状态,电缆中间接头及故障点的绝缘状态的改变将导致电缆阻抗谱的变化,利用卷积积分对电缆阻抗谱进行处理,可同时实现多个中间接头和故障点的定位。

摘要： 针对信号与系统课程中卷积积分数学公式多且复杂的问题,结合数学公式的物理含义,多角度介绍了卷积积分的定义、常用性质和计算公式,提高学生学习的兴趣与积极性,在弱化数学计算的同时,指出这些数学公式应用的条件,提高学生综合运用知识的能力.

摘要： 根据我国现有的车辆荷载样本模型,考虑在不同运行状态下车辆荷载出现的统计规律,提出n辆车行进于桥梁上并且连续到达的概率密度函数的通用表达式及解析表达式.解析表达式可避免通用表达式繁琐的数值计算,为确定桥上最大可能车辆数提供便利.

摘要： 文章就线性时不变系统的响应给出了3种不同的解法,即经典法、零输入响应—零状态响应法以及卷积积分法,并对这3种解法分析了各自的优缺点.

摘要： 《信号与系统》课程是电子信息类本科学生的核心专业基础课程之一,如何有效提高其教学效果及其质量,是从事本课程教学的教师需要思考和践行实践的任务.其中,教案设计及其效果将直接决定和影响该课程的教学质量,文章以该课程的教学重点和难点内容“卷积积分”为例,给出详细的教案设计思路,以期为相关专业课程的教案设计提供必要的参考.

摘要： 卷积积分在积分变换、控制理论、信号与系统以及电路分析等学科中应用广泛,是一个重要的数学工具.虽然卷积积分的计算方法较多,但要准确计算出卷积积分并非易事,正确地分段和定限是计算卷积积分的两大难点.从卷积积分的定义出发,经严密的数学推导获得一种卷积积分的快速分段和定限方法.在此基础上,进一步绘制出卷积积分的快速分段和定限图,使得卷积积分的分段和定限更加直观易行.实例表明,应用快速分段和定限法能够快速准确地求解卷积积分.

摘要： 卷积积分在积分变换、控制理论、信号与系统以及电路分析等学科中应用广泛,是一个重要的数学工具.虽然卷积积分的计算方法较多,但要准确计算出卷积积分并非易事,正确地分段和定限是计算卷积积分的两大难点.从卷积积分的定义出发,经严密的数学推导获得一种卷积积分的快速分段和定限方法.在此基础上,进一步绘制出卷积积分的快速分段和定限图,使得卷积积分的分段和定限更加直观易行.实例表明,应用快速分段和定限法能够快速准确地求解卷积积分.

摘要： 卷积运算在信号与系统理论、控制理论和通信系统的分析中都具有重要的意义,文中主要通过MATLAB程序验证卷积积分图解法,MATLAB提供的有关计算函数和工具箱可方便地进行数字信号处理中得相关计算，并通过对矩形时限信号、斜坡时限信号的卷积来探讨其主要规律.

摘要： 本发明公开了一种基于深度卷积分析的图片归类方法及播控平台，属于图片分类技术领域，包括步骤：S1，收集图片后对图片类型进行规范化处理；S2，对图片进行缩放处理；S3，将图片转换为包含RGB三个通道值的像素信息矩阵；S4，基于卷积神经网络形成预训练模型，形成归类模型；S5，利用图片和标签对归类模型进行训练调优；S6，上传图片到最终归类模型进行分类预测。本发明解决了目前图片类型归类存在的人工缺陷、人力和时间成本两方面的问题，在实施例中提出的方法不仅相比于传统的机器学习方法各方面更优，而且相比于其他深度学习模型，也有着训练代价小、训练速度快、效果更优的特点。

摘要： 本发明涉及高光谱遥感智能信息处理领域，即采用多尺度的图卷积神经网络以监督的方式实现高光谱图像场景内地表覆盖的精细分类，更具体地说，本发明涉及一种监督的高光谱多尺度图卷积分类方法。本发明针对高维非线性的高光谱数据结构，通过构建全局、局部和光谱指数邻接矩阵，将少量的已知样本信息监督地用于训练多尺度的图卷积神经网络，可以使图卷积神经网络有效地适应高光谱图数据进行特征学习和标签预测，从而有助于增强高光谱数据非线性特征的图表达能力和提高地表覆盖分类识别的精度。

摘要： 本发明涉及一种适用于任意卷积尺寸的winogard快速卷积分块方法。该分块方法包括如下步骤：步骤1，根据输入矩阵、卷积核尺寸选定适合的winograd参数；步骤2，计算分块参数、循环判断参数等控制条件进行分块循环计算；步骤3，将各个分块进行winogard快速卷积，并将得到的卷积结果值按顺序拼接；步骤4，将得到的拼接卷积结果去掉其中重复计算的行、列值，最后就可得到正确的卷积结果值。本发明创新性地提出一种适用于任意卷积尺寸的winogard快速卷积分块方法，具有一定的通用性，既能满足快速卷积算法的正确性、高效性，在硬件部署上也比传统的补零方法节约更多的资源消耗。

摘要： 本发明公开了一种基于深度卷积分析的图片归类方法及播控平台，属于图片分类技术领域，包括步骤：S1，收集图片后对图片类型进行规范化处理；S2，对图片进行缩放处理；S3，将图片转换为包含RGB三个通道值的像素信息矩阵；S4，基于卷积神经网络形成预训练模型，形成归类模型；S5，利用图片和标签对归类模型进行训练调优；S6，上传图片到最终归类模型进行分类预测。本发明解决了目前图片类型归类存在的人工缺陷、人力和时间成本两方面的问题，在实施例中提出的方法不仅相比于传统的机器学习方法各方面更优，而且相比于其他深度学习模型，也有着训练代价小、训练速度快、效果更优的特点。

摘要： 本发明提供了一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，属于海洋观测技术领域。该方法包括：利用拖曳式传感器阵列采集海剖面观测数据，并对其进行扩增，并标注样本类别；建立时间卷积网络，选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量；构建在线序列超限学习机，将得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。本发明再基于深度学习领域，速度更快，分类更准，能够更好地对传感器采集到的海洋数据进行分类，实现海洋环境立体监测。

摘要： 本发明公开一种基于局部几何与全局结构联合学习的3D图卷积分类方法，是将待分类的3D模型输入至分类模型中进行分类，所述分类模型是依次按照如下步骤建立：用多层感知机mlp为模型提取底层特征，包括采集关键点、找关键点邻域及提取特征；在所采集关键点的基础上更新采样点及邻域，构建局部谱图，并借助切比雪夫多项式来近似卷积核进行局部的谱图卷积；在所采集关键点的基础上通过均匀采样得到关键点，计算特征间余弦相似度构造全局谱图，借助切比雪夫多项式来近似卷积核进行全局的谱图卷积；运用自适应权值计算，对每层网络提取的特征进行融合；训练模型并通过反向传播进行优化，最终得到分类模型。

摘要： 本发明公开了一种基于模态自适应混合和不变性卷积分解的行人重识别方法，包括：1、构建自适应混合模块输出混合比例混合可见光图像和红外图像，得到混合模态图像；2、可见光图像，红外图像和混合模态图像输入特征提取网络，计算分类损失和三元组损失对特征提取网络进行更新；3、构建奖励R，并利用强化学习法则构建actor网络和critic网络的损失以更新网络；4、根据检索库和被检索库的行人特征计算相似度矩阵，并得到检索结果。本发明能解决传统生成对抗模型在红外‑可见光图像转换中的困难和计算消耗，以及传统单流双流网络的信息丢失和难拟合问题，从而能更高效和精确的匹配可见光模态和红外模态的行人图像。

摘要： 本发明公开了一种扩大卷积分区的高准确率识别戏曲人物动作的方法，首先对输入的原戏曲视频中表演者的动作进行基于open pose的姿态提取，然后利用拓扑图的框架结构对提取的骨架姿态序列信息进行建模；其次，将图结构中2D或3D坐标下的关节序列联合坐标向量作为网络的输入，并对该输入数据进行归一化、标准化预处理，随后，进行时间和空间的卷积网络处理，最后，将逐帧角色动作预测结果，融合到原视频提取出的逐帧角色肢体骨架帧对应的位置，将融合后的视频帧合成一个新的戏曲动作识别视频，极大提高了识别的准确度，提升算法运行的速度，简化戏曲视频中角色动作识别的步骤，使戏曲角色的动作类别识别的更快、更准确。

摘要： 提出了一种用于利用多个训练周期来生成经训练的带至少一个不变积分层的卷积神经网络以对移动平台的环境的数字图像的对象进行分类的方法，其中每个训练周期具有如下步骤：提供移动平台的环境的具有至少一个对象的数字图像；提供被分配给所述数字图像的参考图像，其中所述至少一个对象在所述参考图像中被标记；提供该数字图像作为带至少一个不变积分层的卷积神经网络的输入信号；而且使带至少一个不变积分层的卷积神经网络匹配，以便在对该数字图像的至少一个对象进行分类时使该分类与相应的所分配的参考图像的偏差最小化。

摘要： 本发明涉及电池技术领域，具体涉及一种基于自适应高斯卷积积分法的电量计算方法，包括步骤：S1、提取出车辆所有的充电过程数据，包括SOC；S2、对SOC进行高斯卷积计算，并得到容量估算值；S3、计算容量估算值对应的里程值；S4、优化处理容量估算值和里程数；S5、输出容量计算图。本发明将每次连续充电过程的电流数据与SOC提取出来，利用自适应高斯卷积积分法对SOC进行计算并得到容量估算值，然后计算对应的里程值，最后输出容量计算图；实现了基于线上数据对容量的较为准确计算，有效地解决了现有技术难以通过线上数据准确地估计电池容量的技术问题。