排序方式: 共有23条查询结果,搜索用时 31 毫秒
1.
基于主成分分析和BP神经网络的车标识别 总被引:1,自引:1,他引:0
在对3种数据降维技术进行了比较研究的基础上,提出一种基于主成分分析(PCA)和BP神经网络的车标识别算法.首先,利用PCA方法获得特征车标;然后,将待识别车标投影到特征车标张成的子空间;最后,通过BP神经网络进行车标识别.实验结果表明,该算法能有效提高车标的识别率,对光照和噪声有很强的鲁棒性. 相似文献
2.
文章对一类含有2个s圈和1个(n-t)圈的本原不可幂定号有向图的local基的界进行了研究.通过分析此类图的特点,综合运用指数、SSSD途径对和Frobenius的特性给出了此类图的local基的界. 相似文献
3.
在2010年,Hwa Kyung Kim和Sung Gi Park共同提出了本原有向图的广义com-petiton指数这一概念.文章考虑了一类特殊本原有向图的广义competiton指数,它含有t个2长圈和一个n-t长圈,n与t的奇偶性不同,其中1≤t≤n-3,n≥4,给出了该类本原有向图的广义competiton指数. 相似文献
4.
5.
钢渣安定性检验是实现钢渣安全资源利用的关键,针对钢渣安定性检测方法的效率低且受到取样代表性不足的问题,提出一种基于卷积神经网络的钢渣砂图像分类模型SE-ConvNeXt。该分类模型针对钢渣砂的图像特征,在ConvNeXt网络中添加通道注意力机制SE-Net(squeeze and excitation network)。相比于原ConvNeXt和其他卷积神经网络模型,SE-ConvNeXt的收敛速度更快,训练过程更稳定,准确率更高。实验数据集采集于蒸汽处理前后的钢渣砂图像,钢渣砂的粒径为4.75-2.36mm和2.36-1.18mm。分别使用两个粒径的钢渣砂图像训练网络,并分析钢渣砂图像变化规律。模型预测两个粒径的钢渣砂图像数据集准确率分别为92.5%、94%,且两个粒级的钢渣砂图变化规律相似,随着蒸汽陈化时间的增加,变化程度逐渐变小,随后图像变化程度趋于稳定。分析粉化率的变化规律,钢渣砂粉化率变化规律与钢渣砂图像变化规律具有相关性,蒸汽处理的钢渣砂可通过钢渣砂图像评价体积安定性。 相似文献
7.
8.
9.
利用广义特征方程,得出了线性变时滞差分方程χn 1-χn m∑i=1pi(n)∑ti(n)=0正解存在的充分必要条件,这个条件是时滞泛函微分方程相应结论的离散形式. 相似文献
10.
基于广义交叉检验的自适应约束最小二乘图像恢复 总被引:2,自引:0,他引:2
现有的图像恢复方法中有一部分需要正则化系数,而正则化系数估计的准确与否是决定恢复图像质量好坏的关键,为了能够自适应地恢复图像,研究了约束最小二乘算法的图像恢复问题,提出了应用广义交叉检验方法估计约束最小二乘算法中的正则化系数.实验结果证明,用该算法估计的正则化系数恢复图像质量更佳,速度比普通的迭代方法快,而且该最小乘图像恢复方法实现了图像自适应图像恢复. 相似文献