模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

交通场景行人穿越检测方法进展研究

随着自动驾驶和计算机视觉技术的飞速发展,人们对交通安全的重视程度越来越高。其中,交通场景中行人穿越检测问题是研究的热点与难点之一。对行人穿越检测这一领域进行了综合评述,并对未来研究进行了展望。按照行人试图穿越、正在穿越及穿越预测三个阶段进行分析,首先分析了基于行人姿态穿越意图的研究进展(试图穿越),包括人体姿态、数据驱动和高斯动力学模型三个方面;其次讨论了基于轨迹跟踪的穿越行为检测方法(正在穿越);然后概括了基于轨迹预测的行人穿越检测方法(穿越预测);最后总结了现阶段比较新颖的多传感融合、车路协同、车联网等研究角度,并对未来该领域需重点发展的方向提出建议。     

基于Attention的AIS数据段相似性搜索模型

自动识别系统(Automatic Identification System,AIS)数据中蕴含着与船舶交通相关的时间序列信息.基于AIS数据段的相似性搜索也成为智能船运领域的研究热点.AIS数据属于多维时间序列数据,传统的多维数据序列相似性搜索方法通过将原始数据进行降维,并在降维后的数据空间进行时序数据的相似性搜索....     

浅议注意力分配在射击教学中的正确运用

影响射击技能提高的因素很多,其中一个主要因素是注意力分配的问题。影响注意力分配的因素有内因、外因,也有平时不被注意的客观原因。本文就射击教学中如何正确处理和解决好这些因素对注意力的影响,进行了探讨和分析。     

一阶交流电路暂态分析

以RC串联电路为例,介绍一阶线性电路交流暂态过程的基本分析方法.通过三种不同方法的比较,归纳出对于不同电路应当采取不同处理办法.     

基于可变卷积与迁移学习的小样本检测方法

针对主流方法对弱小目标识别效率低的问题,提出了一种基于可变卷积与迁移学习的小样本检测方法。基于可变卷积思想改进特征提取主干网络,实现在少量数据上达到和普通卷积在大量数据上相等的学习能力。设计一种Soft-NMS共同作用的方法降低多目标重叠容易出现的漏检问题。通过在公开数据集PASCAL VOC和实测弱小目标数据集上的实验表明,所提算法实现小样本条件下对实测弱小目标的检测与识别,且与原始方法相比性能有显著提高,在公开数据集上较原算法提高了5.5%,在实测数据集上较原算法提高了8.3%。     

基于GA的卷积神经网络结构化剪枝算法

为解决传统神经网络模型过参数化问题,提高深度学习模型工程化实现的效率,提出了基于GA的结构化模型压缩算法.该方法从全局搜索空间对模型各层卷积核进行结构化剪枝,并以"高检测精度,低网络规模"为准则建立适应度函数,解决传统权重剪枝易陷入局部最优和剪枝结果对硬件平台不友好问题,获得精度损失低、模型压缩率高的轻量化模型结构.     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。     

基于IMCKD与谱负熵的滚动轴承故障诊断方法

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击信号常被强大噪声淹没,导致轴承故障诊断难度较大的问题,提出一种基于改进的最大相关峭度解卷积(IMCKD)与谱负熵的故障特征提取方法。首先,采用改进的最大相关峭度解卷积以最大相关峭度为目标对原始振动信号进行降噪处理,检测信号中的周期性冲击成分;然后,以最大谱负熵值为准则寻找信号的最佳分析频段;最后,通过平方包络解调提取出轴承的故障特征。仿真和实测信号验证了该方法的有效性。     

基于相关度和注意力聚焦的图像内容检索

基于内容的检索中对图像和视频帧的处理是以色彩、形状和纹理等为基本特征,这些特征在图像背景比较单一的情况下容易获得。一旦图像背景为色彩和纹理均很复杂的图像时,图像中目标的颜色和形状等特征就很难获得。若将从计算机视觉中引出的相关度和注意力聚焦两个概念用于从复杂背景图像中定位和选取最有关的信息,则能够有效地检索到最匹配的图像。本文通过对相关度和注意力聚焦两个概念的讨论,介绍了计算机视觉对基于内容检索的作用,尤其是在可视示例查询ＱＶＥ（ＱｕｅｒｙｂｙＶｉｓｕａｌＥｘａｍｐｌｅ）的情况下从大图像数据库中检索图像的情况