教你如何拍雪景

冬天来了,好期待下雪啊.看着别人拍出来的美丽雪景,是不是觉得很眼馋?雪景该怎么拍才好看?现在我们就来学习一些拍雪景的小技巧吧. 选择最佳拍摄时机 冬天的早晨有很多美妙的景象,所以最好赶在太阳完全出来之前出门,这样就不怕太阳把冰雪融化掉了.不仅如此,在还不太明亮的晨光中,蜘蛛网、草上的露珠、覆盖着雪的浆果都能成为不错的拍摄对象,让你拍出浓浓的冬天的气息.     

过滤烦恼“直饮”健康

<正>古人云:水为万物之源,土为万物之母,饮资于水,食资于土,饮食者,人之命脉也,而营卫赖之。世界上许多物质都可以找到它的替代品:用陶瓷或塑料代替钢;用一种金属代替另一种金属,但迄今为止,还没有一种物质可以取代水,水是不可替代的有限资源。地球上的水有97.2%是海水,淡水只占2.8%,而全世界可利用的淡水资源不足淡水总量的1%。长期以来,人们都认为水     

基于小波变换的全方向M型心动图运动曲线滤噪

提出一种基于小波滤噪的全方向M型心动图运动曲线滤噪方法,全方向M型心动图是一种由B超得到的超声序列图像,由于在采集的过程中受到各种干扰以及由于图像数字化造成的阶梯效应,使得从全方向M型心动图中提取出的运动曲线存在噪声和量化效应。为了在消除处于高频分量的噪声和量化效应的同时,保证具有医学价值的信号分量不丢失,本文在传统小波阈值去噪的基础上,采用改进的小波阈值去噪方法来处理全方向M型心动图运动曲线,实验结果表明,该算法能够极大地消除心动图运动曲线中的噪声和量化效应,使得运动曲线较为平滑,采用同样的方法对速度曲线和加速度曲线进行平滑处理后,能够为医生的诊断提供更精确的信息。     

基于一类二元多小波函数的密度估计

基于独立同分布的随机样本提出了一类二元多小波密度估计的方法。首先，给出了线性多小波估计器；然后，在Besov球（B_p，m^s（M））上给出了线性估计在积分均方误差（MISE）意义下的收敛上界，并给予证明；最后，通过仿真和实例数据进行实验验证，说明方法和估计的有效性。     

对多功能雷达的DQN认知干扰决策方法

基于Q-Learning的认知干扰决策方法随着多功能雷达(multifunctional radar, MFR)可执行的任务越来越多,决策效率明显下降。对此,提出了一种对MFR的深度Q神经网络(deep Q network, DQN)干扰决策方法。首先,分析MFR信号特点并构建干扰库,以此为基础研究干扰决策方法。其次,通过对DQN原理的简要阐述,提出了干扰决策方法及其决策流程。最后,对该决策方法进行了仿真试验并通过对比DQN和Q-Learning的决策性能,验证了所提方法的必要性。为提高决策的实时性和准确率,对DQN算法进行了改进,在此基础上,结合先验知识进一步提高了决策效率。仿真试验表明:该决策方法能够较好地自主学习实际战场中的干扰效果,对可执行多种雷达任务的MFR完成干扰决策。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。     

基于Haar小波运算矩阵的分数阶系统辨识方法

分数阶微积分因为其阶数可以是任意数，因此能够更加准确的描述动态系统。虽然分数阶系统受到了越来越多的重视，可是，如何建立分数阶系统目前仍处于积极探究阶段。考虑到分数阶微分的非局部性，利用小波运算矩阵为工具，给出了一种分数阶系统的辨识方法。其好处在于能够利用小波的多分辨特性对激励信号和响应信号进行数据压缩，从而降低运算矩阵的维数，可解决因矩阵维数过大导致内存溢出的问题。     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

基于深度学习的铝厂工业自动浇筑中的图像识别

将深度学习的图像识别应用到工业生产中是一个重要的应用方向.相比传统图像处理,深度学习在图像识别中具有高识别率、抗干扰性强等特点.首先采用小波变换对图像去噪、归一化,然后利用多层卷积对图像进行特征提取并采用全连接层和softmax分类器进行分类实现图像识别.在铝厂工业自动浇注过程中,对已经浇注完成和未完成的图像进行识别、解决传统图像处理在工业生产中多干扰、亮度不足的情况下难以识别的问题.实验结果表明,采用小波变换与深度学习融合对图像进行识别的识别率可达到91. 88%,基本能满足铝厂工业生产的需要.