随着无线通信技术的快速演进,5G、Wi-Fi和窄带物联网(Narrowband internet of things,NB-IoT)等多种通信制式并存,网络结构与信道环境的复杂性显著提升,使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特...随着无线通信技术的快速演进,5G、Wi-Fi和窄带物联网(Narrowband internet of things,NB-IoT)等多种通信制式并存,网络结构与信道环境的复杂性显著提升,使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特征与规则的方法在动态复杂场景及未知协议下适应性有限,而深度学习通过端到端建模与自动特征提取显著提升了识别精度与鲁棒性,但其在跨制式泛化、数据稀缺与计算开销方面仍面临瓶颈。以大语言模型与多模态模型为代表的大规模预训练模型凭借强泛化、跨任务迁移和少样本学习能力,展现出在复杂通信制式识别中的巨大潜力。本文系统梳理了通信制式识别技术的发展脉络,重点探讨了大语言模型驱动方法的最新进展,剖析了其在泛化能力、可解释性与高效部署等方面所面临的挑战,挖掘了其在智能频谱管理与安全监测中的应用机遇,并展望了其在5G/6G智能网络管理中的发展前景。展开更多
骨龄评估在儿童生长发育过程监测中有着至关重要的作用,特别是在诊断内分泌和代谢紊乱方面。骨龄评估的方法有很多种,其中中国人手腕骨发育标准(Chinese Wrist Bone Development Standard,CHN)是国内最常用的骨龄评估方法之一。在浙江...骨龄评估在儿童生长发育过程监测中有着至关重要的作用,特别是在诊断内分泌和代谢紊乱方面。骨龄评估的方法有很多种,其中中国人手腕骨发育标准(Chinese Wrist Bone Development Standard,CHN)是国内最常用的骨龄评估方法之一。在浙江省校园公益行提供的大量手腕骨X线片(其中部分由骨龄专家按照要求根据CHN法对相关的骨骺做过评估)的数据集下,设计了一种基于深度学习的CHN骨龄智能评估方法。首先,按照CHN法的要求采用YOLOv8模型对手腕骨X线片中14块骨骺作为兴趣区域(Region of Interest,ROI)进行提取;然后设计了一个基于深度学习的模型对ROI的骨骺成熟度进行评估及加权计算得到骨龄值。所提方法不仅超越了传统的骨骺年龄预测回归任务,还专注于CHN中14块骨骺的发育状况,并将这些与常规的CHN法专家评估方法相结合来评估骨龄,使评估结果更具可解释性和可靠性。实验结果证明,所提出的基于深度学习的CHN骨龄智能评估方法精度较高,可以辅助临床应用。展开更多
中医(traditional Chinese medicine, TCM)舌诊客观化研究中需要分析的舌象特征很多,不同的舌象特征往往采用单独的方法进行分析,导致分析系统的整体实现复杂度大幅增加。为此,基于持续学习的思想,提出一种中医舌色苔色协同分类方法,该...中医(traditional Chinese medicine, TCM)舌诊客观化研究中需要分析的舌象特征很多,不同的舌象特征往往采用单独的方法进行分析,导致分析系统的整体实现复杂度大幅增加。为此,基于持续学习的思想,提出一种中医舌色苔色协同分类方法,该方法将舌色分类作为旧任务,将苔色分类作为新任务,充分利用2个任务的相似性和相关性,仅通过一个网络结构就同时实现舌色和苔色的准确分类。首先,设计一种基于全局-局部混合注意力机制(global local hybrid attention, GLHA)的双分支网络结构,将网络高层语义特征与低层特征相融合,提升特征的表达能力;然后,提出基于正则化和回放相结合的持续学习策略,使得该网络在学习新任务知识的同时有效防止对旧任务知识的遗忘。在2个自建的中医舌象特征分析数据集上的实验结果表明,提出的协同分类方法可以获得与单个任务相当的分类性能,同时可以将2个分类任务的整体复杂度降低一半左右。其中,舌色分类准确率分别达到93.92%和92.97%,精确率分别达到93.69%和92.87%,召回率分别达到93.96%和93.16%;苔色分类准确率分别达到90.17%和90.26%,精确率分别达到90.05%和90.17%,召回率分别达到90.24%和90.29%。展开更多
文摘随着无线通信技术的快速演进,5G、Wi-Fi和窄带物联网(Narrowband internet of things,NB-IoT)等多种通信制式并存,网络结构与信道环境的复杂性显著提升,使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特征与规则的方法在动态复杂场景及未知协议下适应性有限,而深度学习通过端到端建模与自动特征提取显著提升了识别精度与鲁棒性,但其在跨制式泛化、数据稀缺与计算开销方面仍面临瓶颈。以大语言模型与多模态模型为代表的大规模预训练模型凭借强泛化、跨任务迁移和少样本学习能力,展现出在复杂通信制式识别中的巨大潜力。本文系统梳理了通信制式识别技术的发展脉络,重点探讨了大语言模型驱动方法的最新进展,剖析了其在泛化能力、可解释性与高效部署等方面所面临的挑战,挖掘了其在智能频谱管理与安全监测中的应用机遇,并展望了其在5G/6G智能网络管理中的发展前景。
文摘骨龄评估在儿童生长发育过程监测中有着至关重要的作用,特别是在诊断内分泌和代谢紊乱方面。骨龄评估的方法有很多种,其中中国人手腕骨发育标准(Chinese Wrist Bone Development Standard,CHN)是国内最常用的骨龄评估方法之一。在浙江省校园公益行提供的大量手腕骨X线片(其中部分由骨龄专家按照要求根据CHN法对相关的骨骺做过评估)的数据集下,设计了一种基于深度学习的CHN骨龄智能评估方法。首先,按照CHN法的要求采用YOLOv8模型对手腕骨X线片中14块骨骺作为兴趣区域(Region of Interest,ROI)进行提取;然后设计了一个基于深度学习的模型对ROI的骨骺成熟度进行评估及加权计算得到骨龄值。所提方法不仅超越了传统的骨骺年龄预测回归任务,还专注于CHN中14块骨骺的发育状况,并将这些与常规的CHN法专家评估方法相结合来评估骨龄,使评估结果更具可解释性和可靠性。实验结果证明,所提出的基于深度学习的CHN骨龄智能评估方法精度较高,可以辅助临床应用。
文摘中医(traditional Chinese medicine, TCM)舌诊客观化研究中需要分析的舌象特征很多,不同的舌象特征往往采用单独的方法进行分析,导致分析系统的整体实现复杂度大幅增加。为此,基于持续学习的思想,提出一种中医舌色苔色协同分类方法,该方法将舌色分类作为旧任务,将苔色分类作为新任务,充分利用2个任务的相似性和相关性,仅通过一个网络结构就同时实现舌色和苔色的准确分类。首先,设计一种基于全局-局部混合注意力机制(global local hybrid attention, GLHA)的双分支网络结构,将网络高层语义特征与低层特征相融合,提升特征的表达能力;然后,提出基于正则化和回放相结合的持续学习策略,使得该网络在学习新任务知识的同时有效防止对旧任务知识的遗忘。在2个自建的中医舌象特征分析数据集上的实验结果表明,提出的协同分类方法可以获得与单个任务相当的分类性能,同时可以将2个分类任务的整体复杂度降低一半左右。其中,舌色分类准确率分别达到93.92%和92.97%,精确率分别达到93.69%和92.87%,召回率分别达到93.96%和93.16%;苔色分类准确率分别达到90.17%和90.26%,精确率分别达到90.05%和90.17%,召回率分别达到90.24%和90.29%。
