基于匀质块五块模式的矩形件非剪切排样算法

基于匀质块五块排样模式对一类矩形件非剪切排样问题进行了研究.基于动态规划和隐枚举的思想设计了无约束矩形件非剪切排样问题的匀质块五块排样算法.与文献中的矩形件非剪切排样算法的对比试验表明:这种算法能够快速给出问题的最优解，而且可以降低板材切割工艺难度并减少矩形件的分拣成本.与2种矩形件剪切排样算法的对比进一步表明了引入“非剪切”的经济效益.     

基于深度学习的建筑物识别

针对随着城市化的快速发展,城市与城市间的辨识度越来越弱,城市地标的概念越来越热门这一现象,提出了一种基于深度学习的建筑物识别方法;使用改进的Faster R-CNN算法作为训练模型,首先,将需要识别的图片输入深度神经网络,提取出特征框图;然后,模型通过区域建议网络预测目标建筑物所在位置的区域建议,并将这些区域建议映射到特征框图上,RoI Pooling层将这些区域建议转换成固定大小的特征框图;最后使用非极大值抑制从预测边界框中移除相似的结果,得到预测边界框以及边框中目标建筑物的类别和概率;实验结果表明:在训练数据集充足的条件下,使用此方法对地标建筑物的识别率能达到90. 8%,通过与其他模型比较分析,该模型具有较好的识别效果。     

基于深度图像预旋转的手势估计改进方法

基于深度图像的手势估计比人体姿势估计更加困难,部分原因在于算法不能很好地识别同一个手势经旋转后的不同外观样式.提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)推测预旋转角度的手势姿态估计改进方法:先利用自动算法标注的最佳旋转角度来训练CNN;在手势识别之前,用训练好的CNN模型回归计算出应预旋转的角度,然后再对手部深度图像进行旋转;最后采用随机决策森林(Random Decision Forest, RDF)方法对手部像素进行分类,聚类产生出手部关节位置.实验证明该方法可以减少预测的手部关节位置与准确位置之间的误差,手势姿态估计的正确率平均上升了约4.69%.     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

MEMS惯性高度尺测量精度分析

研究了基于微电子机械系统(micro-electro-mechanical systems,MEMS)的惯性导航系统的短时相对高程测量精度,设计了“惯性高度尺”算法,进行了桌面测高和楼层测高两个验证性实验。分析了不同运动条件和运动时间下“惯性高度尺”的测高精度。基于零速修正技术提出了一种分段测量的方法。实验结果表明,桌面测高可实现毫米级精度(相对误差0.17%),楼层测高可实现多层厘米级和单层毫米级测量精度(相对误差分别为0.22%,0.06%)。测量误差与载体的姿态动态和运动时长成正相关。实验验证了MEMS惯导用于高度测量具有较高可行性,稳定的运动条件和较快的测量时间能够提高测量精度。     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于MEMS传感器的助老型机构人体姿态识别方法

研究一种基于MEMS传感器的助老型机构人体姿态识别方法,通过对老人的坐起、卧起、走路、上下楼梯五个动作识别,验证该识别方法的有效性.将7个传感器模块置于老人的腰部、大腿、胳膊等部位,采用坐标变换的方法,将采集到的相关部位四元数信息转化到腰部坐标系下,并组建标准矩阵,提取标准矩阵的均值、方差等特征值,通过基于阈值的两层识别算法快速判断动作类型,并采用支持向量机融合多种特征值作对比实验.实验表明,使用融合后的特征,平均识别率提高了18.4％.本研究完成了老人日常生活中五个动作的识别.     

基于40Cr高温动态力学性能的磨削表面动态再结晶行为

通过分离式霍普金森压杆(SHPB)实验得到了40Cr合金钢在高温高应变率下真应力-真应变曲线，据此确定了材料发生动态再结晶的临界条件.采用解析法和实验法分别求解了磨削强化层的温度场和塑性应变场分布.结果表明，磨削强化层在磨削深度方向具有较大的温度和塑性应变梯度;150μm强化层内会发生奥氏体转变;磨削表面最高温度可达1060℃.在磨削亚表面60μm内会产生剧烈的塑性变形，达到了再结晶的临界条件.较大的磨削深度使磨削强化层塑性应变增大，再结晶现象越充分，微观组织细化程度越高.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

京津冀地区专利质量动态演进趋势分析

文章利用2006—2019年京津冀地区专利数据,对三地专利数量、专利结构、专利开发主体表征的专利质量指标进行了分析,剖析了京津冀地区专利授权率、发明专利比例、职务专利比例、开发主体比例等数据动态演进趋势,提出确立以质为本的专利创新导向,不断提升专利主体的创新能力,发挥对区域创新引领示范作用等对策建议.