修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

21 条数据
?? 中文（中国） ▾

  • 用于光电容积图去噪的双向循环自编码器

    摘要： 随着智能手表和移动医疗市场的发展，光电容积描记法（PPG）已得到广泛应用。然而PPG易受非受控环境中普遍存在的各类噪声干扰，获取有效信号的关键在于成功降噪。现有PPG降噪算法多在受控环境下验证，或依赖必须全部正确执行的多个步骤。本文提出基于双向循环降噪自编码器（BRDAE）的新型PPG降噪算法，该算法仅需极简预处理步骤，且具有超越单纯降噪的波形特征增强优势。研究团队在人工增强噪声数据集上训练并验证BRDAE，随后在两大测试集进行评估：一是重症监护病房（ICU）患者采集的大型开放PPG数据库，二是9名受试者日常活动中24小时间歇采集的PPG数据。经训练的BRDAE降噪后，验证集中噪声增强数据的信噪比提升7.9分贝。测试数据显示，与原始PPG相比，降噪后PPG在心率检测方面表现出统计学显著改善——无论是与参考值的相关性还是均方根误差指标。结果表明该方法能有效解决PPG信号降噪问题，并通过提供脉搏波形分析所需的PPG特征增强，展现出超越传统降噪的应用价值。

    关键词： 自编码器（AE）、去噪、循环神经网络（RNN）、光电容积图（PPG）

    更新于2025-09-23 15:23:52

  • BiMO<sub>x</sub>半导体作为N<sub>2</sub>O光催化分解的催化剂：实验与DFT+U研究的结合

    摘要： 本文设计了一种用于k-赢家通吃（k WTA）操作的模拟电路。该电路具有稳定性和有限时间收敛性，其稳态等效于k WTA的最优解。通过SPICE仿真验证了该设计的有效性。

    关键词： 循环神经网络，k-胜者全取，模拟电路设计

    更新于2025-09-23 15:23:52

  • [2018年IEEE创新智能电网技术-亚洲会议(ISGT Asia) - 新加坡(2018.5.22-2018.5.25)] 2018年IEEE创新智能电网技术-亚洲会议(ISGT Asia) - 基于RNN-赫布-LMS电流控制器的光伏电站并网与电能质量提升方案

    摘要： 本文提出了一种新型电流控制技术拓扑结构，用于将太阳能电站产生的优质电能传输至公用电网。同时采用基于卡尔曼最大功率点跟踪（MPPT）的高增益高效变换器来提升光伏阵列的低电压输出。该控制方案运用基于循环神经网络RNN-Hebbian-LMS的电流控制器，在电能质量方面实现更优性能。RNN网络通过反馈信号调控太阳能电站向公用电网的电流输送，Hebbian-LMS（最小均方）算法则用于更新RNN电流控制器的权重参数。RNN-Hebbian-LMS电流控制技术的主要优势在于维持恒定电压，此外还能在宽参数变化范围内保障系统稳定性并快速抑制振荡。该算法可有效解决传统PI电流控制器存在的稳定性和灵敏度问题。仿真结果将与传统PI控制器及所提RNN-Hebbian-LMS电流控制器进行对比，最终表明所提出的电流控制器在电能质量、响应速度和稳定性方面均优于传统控制器。

    关键词： 最小均方（LMS）、公用电网、太阳能电站、高增益变换器、光伏阵列、最大功率点跟踪（MPPT）、循环神经网络（RNN）

    更新于2025-09-23 15:21:21

  • [IEEE 2019年第八届可再生能源研究与应用国际会议(ICRERA) - 罗马尼亚布拉索夫(2019.11.3-2019.11.6)] 2019年第八届可再生能源研究与应用国际会议(ICRERA) - 传统铁路引入光伏发电系统研究

    摘要： 本文提出一种利用近期提出的概率模型——循环时序受限玻尔兹曼机(RTRBM)的语音转换(VC)方法。每个说话人对应一个RTRBM，旨在捕捉声学序列中的高阶时序依赖关系。我们的算法首先使用说话人相关训练数据分别训练源说话人和目标说话人的RTRBM。由于每个RTRBM都试图发现能最大程度表达每个时间步训练数据及其时序依赖关系的抽象特征，我们预期这些模型能在高阶空间中表征与语言相关的潜在特征。本方法通过神经网络(NN)将源说话人的重音特征转换(匹配)为目标说话人的相应特征，从而使整个网络（由两个RTRBM和NN组成）作为深度循环神经网络进行微调。通过语音转换实验，我们证实本方法相比基于高斯混合模型和神经网络等传统VC方法具有优异性能，尤其在客观指标方面表现突出。

    关键词： 循环时间受限玻尔兹曼机（RTRBM）、语音转换、说话人特征、循环神经网络、深度学习

    更新于2025-09-23 15:19:57

  • [2019年IEEE第46届光伏专家会议(PVSC) - 美国伊利诺伊州芝加哥(2019.6.16-2019.6.21)] 2019年IEEE第46届光伏专家会议(PVSC) - 基于氯掺杂ZnTeO的中间带太阳能电池光伏特性与氧浓度依赖关系

    摘要： 我们开展了一项大规模研究，探索时间深度神经网络解读自然人机运动学的能力，并首次提出了基于移动惯性传感器的主动生物特征认证方法。在谷歌，我们创建了首个人类运动数据集——由1500名志愿者通过智能手机在数月内每日被动采集而成。我们比较了多种用于高效学习时间多模态数据表征的神经架构，提出优化的平移不变密集卷积机制，并将经过判别式训练的动态特征纳入考虑时间特性的概率生成框架。结果表明，人体运动学能传递重要的用户身份信息，可作为多模态认证系统的重要组件。最后我们证明，该模型同样适用于视觉场景。

    关键词： 循环神经网络、移动计算、生物识别（门禁控制）、认证、学习

    更新于2025-09-23 15:19:57

  • 基于红外辐射特征的外大气层目标识别递归神经网络

    摘要： 外大气层红外（IR）目标识别是空间攻防领域的重要研究课题。目标不同的微动状态会导致所获取的红外辐射强度序列呈现各自特征，且这种差异难以直观描述和有效提取。现有方法大多无法将数据与微动模型有效关联，导致分类精度较低，难以满足实际应用需求。我们通过构建外大气层目标的微动模型，设立了四类目标（包括具有旋转和锥旋运动的弹头与重型诱饵，以及具有翻滚运动的轻型诱饵和碎片），以获取红外辐射强度序列。采用随机投影技术提升循环神经网络的判别能力，对红外辐射强度时间序列进行分类。实验结果表明，随机投影循环神经网络（R-RNN）在时间序列分类（TSC）任务中比其他典型算法更具优势，能实现优异的目标识别效果。我们还分析了噪声对算法性能的影响。

    关键词： 循环神经网络、外大气层目标识别、微动模型、红外辐射强度、随机投影

    更新于2025-09-23 01:56:53

  • [IEEE 2019年第24届微光学会议(MOC) - 日本富山(2019.11.17-2019.11.20)] 2019年第24届微光学会议(MOC) - 少模光纤中孤立C点的可控生成

    摘要： 我们开展了一项大规模研究，探索时间深度神经网络解析人体自然运动学的能力，并首次提出基于移动惯性传感器的主动生物特征认证方法。在谷歌，我们创建了首个人类运动数据集——由1500名志愿者通过智能手机持续数月日常佩戴被动采集而成。我们比较了多种用于高效学习时间多模态数据表征的神经网络架构，提出优化的平移不变密集卷积机制，并将判别式训练的动态特征融入考虑时序特性的概率生成框架。结果表明人体运动学能传递重要的用户身份信息，可作为多模态认证系统的重要组件。最后证实该模型同样适用于视觉场景。

    关键词： 循环神经网络、移动计算、生物识别（门禁控制）、认证、学习

    更新于2025-09-19 17:13:59

  • [IEEE 2019研究、发明与创新大会(RI2C) - 泰国曼谷(2019.12.11-2019.12.13)] 2019研究、发明与创新大会(RI2C) - 基于交错式零电流导通E类整流器的单级高功率因数LED驱动器

    摘要： 本文提出一种利用新近提出的概率模型——循环时序受限玻尔兹曼机(RTRBM)的语音转换(VC)方法。每个说话人对应一个RTRBM，旨在捕捉声学序列中的高阶时序依赖关系。我们的算法首先使用说话人相关训练数据分别训练源说话人和目标说话人的RTRBM。由于每个RTRBM都试图发现能最大程度表达每个时间步训练数据及其时序依赖关系的抽象特征，我们预期这些模型能在高阶空间中表征与语言相关的潜在特征。本方法通过神经网络(NN)将源说话人的重音特征转换(匹配)为目标说话人的对应特征，使整个网络(由两个RTRBM和NN组成)作为深度循环神经网络进行微调。通过语音转换实验，我们证实本方法性能优异——尤其在客观指标方面，相比基于高斯混合模型和神经网络等传统VC方法具有显著优势。

    关键词： 循环时间受限玻尔兹曼机（RTRBM）、说话人特征、语音转换、深度学习、循环神经网络

    更新于2025-09-19 17:13:59

  • [2019年IEEE光子学与电磁学研究秋季研讨会（PIERS-Fall）- 中国厦门（2019.12.17-2019.12.20）] 2019年光子学与电磁学研究秋季研讨会（PIERS-Fall）- 用于SPICE仿真的太赫兹量子级联激光器改进等效电路模型

    摘要： 本文提出一种利用新近提出的概率模型——循环时序受限玻尔兹曼机(RTRBM)的语音转换(VC)方法。每个说话人对应一个RTRBM，旨在捕捉声学序列中的高阶时序依赖性。我们的算法首先使用说话人相关训练数据分别训练源说话人和目标说话人的RTRBM。由于每个RTRBM都试图发现能最大程度表达各时间步训练数据及其时序依赖性的抽象特征，我们预期这些模型能在高阶空间表征语言相关的潜在特征。本方法通过神经网络(NN)将源说话人的重音特征转换(匹配)为目标说话人特征，使整个网络（由两个RTRBM和NN构成）作为深度循环神经网络进行微调。通过语音转换实验，我们证实本方法（尤其是客观指标方面）相比基于高斯混合模型和神经网络的传统语音转换方法具有更优性能。

    关键词： 循环时间受限玻尔兹曼机（RTRBM）、循环神经网络、语音转换、说话人特征、深度学习

    更新于2025-09-19 17:13:59

  • [2019年IEEE第46届光伏专家会议(PVSC) - 美国伊利诺伊州芝加哥市(2019.6.16-2019.6.21)] 2019年IEEE第46届光伏专家会议(PVSC) - 三端串联电池运行的简易物理模型

    摘要： 我们开展了一项大规模研究，探索时间深度神经网络解读人类自然运动学特征的能力，并首次提出了基于移动惯性传感器的主动生物特征认证方法。在谷歌，我们创建了首个人类运动数据集——由1500名志愿者通过智能手机持续数月每日被动采集而成。我们比较了多种用于高效学习时间多模态数据表征的神经网络架构，提出优化的平移不变密集卷积机制，并将判别式训练的动态特征融入考虑时序特性的概率生成框架。结果表明人类运动学特征蕴含重要的用户身份信息，可作为多模态认证系统的重要组成部分。最后我们证实该模型同样适用于视觉场景。

    关键词： 循环神经网络、移动计算、生物识别（门禁控制）、认证、学习

    更新于2025-09-19 17:13:59