我是高鹏

基本思路提出了一种基于Choi-Williams分布(CWD)和深度卷积神经网络迁移学习的自动分类识别系统。思路详细首先，系统对LPI雷达波形进行CWD时频变换，得到二维时频图像。然后系统对原始时频图像进行预处理。然后系统将预处理后的图像发送到深度卷积网络的预训练模型(incep -v3或ResNet-152)进行特征提取。最后将提取的特征送入支持向量机分类器，实现对雷达波形的离线训练和在线识别。重点CNN Model-Based Transfer Learning and Featur

基本思路首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征，然后将融合特征输入随机森林分类器，实现信号的分类识别。思路详细提取时频图像的纹理特征与形状特征，构成融合特征，作为识别雷达信号的特征。对于分类器的选取，本文选择组合分类器—随机森林（random forest，RF），随机森林包含多个决策树，具有在不增加运算量的基础上达到较高的预测精度、处理高维数据、较好的容噪能力等优点。在仿真实验中，提取了8种常见的雷达信号的时频图像的融合特征，并采用RF分类器进行分类识别。重点1.使用

基本思路用粗糙集理论对雷达辐射源信号进行离散化 、属性约简、规则提取, 达到分类的目的。用粗糙 K-均值聚类方法计算径向基神经网络 (RBFNN)的聚类中心, 然后用粗糙集理论约简得到的规则构建径向基神经网络对未知雷达辐射源信号进行识别。粗糙集理论能够通过约简减少冗余属性, 获得识别规则, 这些识别规则可以简化径向基神经网络;并且能改进 K-均值的聚类方法, 通过上近似和下近似得到新的聚类中心 。思路详细雷达辐射源信号经过分选和特征提取后, 就可以得到描述雷达辐射源信号的脉冲描述字, 在此基

基本思路文章使用图像识别的方法辨别病例图像，提高效率，减少医生工作量，用以辅助诊断。首先，通过子图像裁剪和颜色增强进行乳腺癌图像预处理; 其次，使用深度学习模型中典型的 3 种深度卷积神经网络( InceptionV3、ＲesNet-50 和 VGG-16) ，提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合; 最后，通过利用两种关系( “样本－样本”和“特征－特征”关系) 和 lF 正则化，提出一种有监督的双关系正则化学习方法进行特征降维，并使用支持向量机将乳腺癌病理图像区分为 4 类—正常、良性

基本思路文章使用图像识别的方法辨别病例图像，提高效率，减少医生工作量，用以辅助诊断。首先，通过子图像裁剪和颜色增强进行乳腺癌图像预处理; 其次，使用深度学习模型中典型的 3 种深度卷积神经网络( InceptionV3、ＲesNet-50 和 VGG-16) ，提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合; 最后，通过利用两种关系( “样本－样本”和“特征－特征”关系) 和 lF 正则化，提出一种有监督的双关系正则化学习方法进行特征降维，并使用支持向量机将乳腺癌病理图像区分为 4 类—正常、良性

文献阅读报告泛读1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1.《毫米波与太赫兹技术》1

文献阅读报告泛读1.《毫米波与太赫兹技术》功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入泛读1.《毫米波与太赫兹技术》**1.研究问题：**从硬件芯片和技术应用两方面介绍了毫米波和太赫兹的研究现状。功能快捷键撤销：Ctr