基于全矢谱-深度置信网络的转子故障诊断方法研究

针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法.对采集到的多通道的机械振动信号利用全矢谱技...     

基于层裂机理的弹体侵彻混凝土的工程模型

以斜侵彻过程中的终点弹道为研究对象,基于动态球形空腔膨胀理论给出的阻力函数理论公式和开坑阶段的表面层裂机理,建立了能够综合考虑弹头形状、开坑区深度的斜侵彻深度预测模型,并进一步推导了能够适用不同弹头形状的弹体过载时程曲线计算公式。预测模型得到的侵彻深度和过载与试验结果吻合较好。研究结果可为弹体与混凝土靶的斜侵彻弹道分析和弹丸头部设计提供一定帮助。     

用卷积神经网络分类最大稳定极值区域实现汉字区域定位

获取对应笔画级连通区的最大稳定极值区域,实施形态学闭操作融合相距较近的最大稳定极值区域,融合后最大稳定极值区域对应的单个汉字区域;利用灰度共生矩阵描述最大稳定极值矩形区域的纹理信息,将其作为卷积神经网络的输入,卷积神经网络对最大稳定极值区域进行分类,过滤非汉字部分;利用最大稳定极值区域颜色直方图的Bhattacharyya距离等特征对最大稳定极值区域进行聚类,同一类最大稳定极值区域组合得到汉字文本候选区域;再次利用卷积神经网络对候选文本区域进行分类,过滤非文本部分,剩余的就是定位到的汉字文本区域。实验结果表明,该算法对于汉字区域定位具有良好的效果。     

基于层裂机理的弹体侵彻混凝土的终点弹道研究

基于动态球形空腔膨胀理论给出的阻力函数理论公式和开坑阶段的表面层裂机理,建立了能够综合考虑弹头形状、开坑区深度的斜侵彻深度预测模型,并进一步推导了能够适用不同弹头形状的弹体过载时程曲线计算公式。预测模型得到的侵彻深度和过载与试验结果吻合较好。研究结果可为弹体与混凝土靶的斜侵彻弹道分析和弹丸头部设计提供一定帮助。     

军队改革与军民深度融合

推进军民融合深度发展是跨军地改革的重大任务,是一项国家战略.本文分析了实行军民深度融合的历史必然性,评述了改革开放以来特别是十八大以来我国军民融合深度发展的最新成就,并分析了今后军民融合发展的方向与原则.     

推动军民融合深度发展的思考

军民融合发展是贯彻落实总体国家安全观、提高国家核心竞争能力、承载强国梦强军梦的重大战略.当前,我国军民融合发展正处于由初步融合向深度融合的过渡阶段.本文从建立集中统一领导的融合发展体制、构建具有中国特色的融合发展模式、培育全民广泛参与的融合发展动力、形成彰显大国风范的融合发展态势等方面,研究提出了推动我国军民融合深度发展的对策建议.     

某型坦克对钢筋混凝土工事的射击效能分析

依据弹丸侵彻深度、毁伤概率、命中概率数学模型 ,结合敌海岸防御工事的特点 ,分析了某型坦克炮各种弹种的射击效能 ,计算了坦克在海上射击时对各种目标和工事的命中概率和毁伤概率 ,作出了在不同射击距离上选择不同弹种进行射击的结论。     

Z-Buffer算法改进

Z-Buffer算法在像素级上以近物取代远物。形体在屏幕上的出现顺序是无关紧要的。这种取代方法实现起来远比总体排序灵活简单,有利于硬件实现。然而Z-Buffer算法存在缺点：占用空间大,没有利用图形的相关性与连续性：Z-Buffer算法以算     

基于改进Yolov5的晶振多缺陷检测

长期以来,晶振的缺陷检测主要依靠人工,存在着效率低、受外界影响程度大、成本高昂的问题。传统方法无法实现多缺陷一次性记录检出,而深度学习应用部署于工业界也存在着无GPU加速导致的推理速度慢的问题。针对以上问题,选定算法模型并通过在输入模块对图像增强、主干网络特征图融合、颈部网络引入新的尺度检测层和新的激活函数、输出预测时引入注意力机制的多种方式进行改进,在保留模型轻量化的同时增加小目标检测能力。最后进行模型剪枝和硬件加速推理,部署于PC端进行缺陷统计等工作。实验表明该系统的检出率在95%以上,实现了晶振缺陷检测的自动化和精细化。     

基于改进SegNet网络的遥感图像语义分割方法研究

遥感图像的语义分割在生产和生活中有着广泛的应用。针对常用的语义分割网络SegNet在遥感图像上对小目标和边缘细节分割精度不够理想的问题,对SegNet进行改进,提出EP-SegNet模型。该模型将激活函数由ReLU替换为ELU,以加快收敛速度,避免神经元死亡,去掉编码器最后一层的池化仅作卷积处理以降低空间信息的损耗,构建Bottleneck层以在加深网络的同时减少参数量,引入金字塔池化模块(PPM)以提升网络对全局信息的感知能力。实验结果表明：该模型的准确率为97.48%,高于SegNet模型3.31%,在图像分割中对边缘细节和多尺度目标的分割精度有较明显提升,较之前模型表现更优。