摘要：本发明提供一种降低峰均比的方法，该方法包括：利用互补序列特性进行相位预编码；在用户数据完成扩频和训练序列码插入后，采用预编码的相位因子对其进行相位旋转。本发明还提供一种降低峰均比的装置。采用本发明的方法和装置，利用互补序列进行相位预编码，解决了多载波TD-SCDMA系统峰均比过高的问题，同时可以满足现有系统的改动要求，大大节省了基带存储相位因子的空间，同时避免了不必要的相关运算。

摘要：本发明实施例公开了一种移动通信系统中降低信号峰均比的方法，包括：对应每一载波，分别存储包含一定数目非线性相位旋转因子φ_k的φ_k，且所述φ_k的数目至少为对应所述φ_k的载波能够承载的用户数，各个φ_k之间具有非线性关系；在载波内叠加用户数据前，针对每一用户数据，从所述载波对应的φ_k中选择一个φ_k，将所述用户数据进行相位旋转，旋转角度为选定φ_k大小的角度。本发明实施例同时公开了一种移动通信系统中降低信号峰均比的装置，包括φ_k存储单元、φ_k选择单元和φ_k旋转单元。应用本发明实施例公开的技术方案后，可以非常明显的降低信号的峰均比，同时算法的运算量可以减小，算法复杂度可以降低。

摘要：本发明提供了一种基于动态正交的全局局部间歇过程故障检测方法，包括以下步骤：(1)收集间歇过程正常运行下的各关键变量数据，形成正常运行状态下的训练样本X∈R^I×J×K；(2)将训练样本X首先沿着批次方向展开为二维数据X∈R^I×KJ，然后将展开的二维数据进行标准化，将标准化后的二维数据重新排列成X∈R^KI×J；(3)在二维数据X∈R^KI×J基础上，建立一个时滞矩阵X_D来消除过程变量的时序自相关；(4)对建立的时滞矩阵X_D构造动态正交全局局部模型；(5)分别在特征空间和残差空间建立T²和SPE统计模型，求取控制限；(6)收集在线的过程数据，进行标准化处理；(7)利用已经建立的动态正交全局局部模型将在线数据进行投影，通过T²和SPE统计模型，判断故障的发生。

摘要：本发明提供了一种基于RFR‑SSMs的骨盆股骨医学图像建模方法，包括RFR‑SSMs的训练、统计形状模型的建立以及RFR‑SSMs的匹配三个过程，具体为：输入骨盆CT扫描图像中的股骨部分，得到输入数据集S_n，用随机森林回归对输入数据集进行预处理，消除由于尺度、旋转、模糊等因素对原始图像造成的影响；然后从预处理过后的图像数据集中选取平均形状作为参考图像，将其它图像与参考图像对齐，接着用PCA进行统计形状的建模并将坐标系从有参考坐标系转换到图像坐标系；最后，通过参数w＝{b，θ，r}对模型进行优化，使模型达到预期的效果。通过与传统的ASMs、AAMs、SSMs建模方法进行比较，结果表明本发明算法在性能上具有较为明显的优越性，能准确、稳定的检测出股骨的轮廓。

摘要：本发明提供了一种基于深度学习的智能停车场车位检测系统，包括对输入的测试图像进行预处理、利用Canny算子检测图像边缘、对图像ROI区域选择、霍夫变换车位线检测、识别车位矩形块及构建Keras深度学习网络模型识别空车位。本发明相对于传统的停车场车位监控系统，采用了深度学习技术进行车位状态检测，能够实现更准确、更稳定的车位状态检测，同时可以实现对多个停车位的同时检测，提高了监控效率，同时，本发明还可以对检测结果进行可视化展示，方便了停车场管理人员的实时监控和管理，还可以对监测结果进行保存和后续分析，为停车场管理提供了更多数据支持。

摘要：本发明提供了一种基于深度学习的停车场车位数量预测方法，包括：首先将数据处理为以时间为横坐标、停车场车位数据为纵坐标的二维时空矩阵数据，然后利用CNN模型的权值共享特点，提取高维度的停车场间车位特征，利用LSTM模型记忆特点提取车位时间特征，将CNN模型和LSTM模型组合，搭建CNN‑LSTM模型对停车场车位数据进行预测，并对预测结果进行分析。本发明能够从时间和空间两个维度对停车场车位数据进行预测，充分考虑了停车场车位数据的相关性，使得特征体系更加完备，可以得到更好的模型预测结果。

摘要：本发明提供了一种基于在线时空特征关联的无人车自动驾驶场景多目标跟踪方法，包括数据处理、目标特征模型建立和时空数据关联。本发明通过构建跟踪目标的时空特征模型，并检测当前帧的时空特征响应，实现了跟踪目标与时空特征响应的在线时空特征关联，此外，本发明通过匈牙利算法求解跟踪的目标历史轨迹与时空特征响应之间的最优关联对，使得跟踪精度更高，并直接得到跟踪目标的数量和运动轨迹，从而为无人车自动驾驶系统做出决策提供重要依据。

摘要：本发明属于图像识别技术领域，公开一种基于全局‑局部特征优化的骨盆医学图像自动分割模型。该模型通过结合高效非局部注意力机制与双重注意力机制，协同优化全局解剖结构理解与局部骨折特征提取，并采用三级优化策略实现解剖约束与病理响应的协同。具体而言，高效非局部注意力机制能够增强模型的全局感知能力，帮助其更好的理解复杂的骨盆解剖结构；而双重注意力机制则有助于模型关注局部区域的细节，如骨折边缘和病变区域的变化，提高了分割精度。与此同时，本方案提出结合标签分布感知损失与表面监督策略的混合损失函数，通过引导网络优化边缘区域的分割精度，减少漏检和误判的机率，进而增强模型在复杂病理状态下的鲁棒性。

摘要：本发明公开基于YOLOv8改进的针对西北天气下小麦病虫害轻量化检测方法，涉及人工智能及机器视觉监测技术领域；包含以下步骤：采集西北旱地片区环境下的小麦灌浆期原始RGB图像；对采集到的原始图像数据集进行筛选及Mosaic‑8数据增强，建立小麦病虫害图像数据集；构建基于YOLOv8改进小麦病变检测轻量化模型，优化网络结构；将建立的小麦病虫害图像数据集输入改进后的网络模型进行训练；测试改进后的网络模型在小麦病虫害图像测试数据集中的应用，不断更新改进YOLOv8网络模型的学习参数；利用更新后训练的YOLOv8网络模型对甘肃省小麦种植的旱地片区进行实时监测，对模型的复杂度和准确性进行评估；最后实现模型检测结果实时反馈，动态更新小麦植株病症以提升模型精度。

摘要：本发明提供了一种基于YOLO算法的配网输电线路绝缘子破损检测方法，包括：采集若干绝缘子缺陷图像，对其进行数据增强；利用超分辨率重建算法对图像中的绝缘子缺陷区域进行图像细节增强；构建复合损失函数指导图像细节增强过程；构建基于YOLOv8架构的绝缘子缺陷检测模型；构建多任务联合损失函数作为绝缘子缺陷检测模型训练目标；引入实时反馈机制，构建加权组合损失函数并执行梯度更新优化，提高绝缘子缺陷检测模型检测能力。本发明具有较高的检测精度和鲁棒性，能够有效提升故障检测的效率和准确性，显著减少了人工巡检的负担和成本，提高了电力系统的安全性和可靠性，为电力设备的运行和维护提供强有力的支持。