基于DSP的自动驾驶系统硬件体系的设计与算法研究

提出了一种以DSP为主要运算设备的汽车自动驾驶智能控制系统,并对硬件体系和图像分析算法进行了研究.对汽车自动驾驶系统的硬件结构进行了设计,采用车载PC和DSP—PCI卡的形式进行构建,并在该硬件结构基础上完成了算法的设计.对传感器采集到的数字图像信号进行灰度化、去噪、二值化、边界提取等处理后得到符合判断算法条件的图像.应用模式识别技术与GPS技术的结合,对图像中的车道、道路上的障碍、其他车辆、交通指示标志等物体进行识别和判断,并对下一步动作作出正确判断.对于前后方车辆和障碍物等采用激光雷达进行测距.     

正脉冲电压下水中流注放电特性的研究

采用介质涂覆的球-板电极结构,研究了不同电导率、气压和脉冲电压幅值条件下水中流注放电的特性.结果表明,水的电导率和脉冲电压幅值对水中流注速度、图像亮度等有较大影响.不同电导率条件下,气压由0.1 Mpa降至0.006 5 Mpa对水中超音速流注发展平均速度并无明显影响.在低气压时,纯净水中间隙为10%击穿电压(U10)降低,约为一个大气压条件下的80%,而在高电导率的水中,U10几乎不受气压影响.由放电图像和放电电流波形分析可知,在低电导率的水中,流注发展是不连续的分步发展,在每一步的发展中形成一个或多个微小的气泡.     

不同尺度下高分辨率遥感影像道路信息提取

道路作为衡量城市发展的主要因素,是城市发展过程中更新最快的要素之一,其发展直接影响城市功能用地的布局,因此基于高分辨率遥感影像的道路信息提取具有重要而现实的意义.在综合分析各种高分辨率影像道路提取方法的基础上,提出了基于不同尺度进行影像特征基元分割、并结合知识辅助实现基元分析的方法.该方法能够有效地通过面向对象方式将影像中的道路进行精确地提取,并可根据用户研究尺度的不同提取出不同规模的城市道路,最后结合具体实例对这种方法进行了分析.     

基于数据增强和字词融合特征的实体槽位识别

针对传统的基于字级表示的实体槽位识别模型无法很好利用词语信息,以及信息技术(IT)运维领域缺少足够数量公开数据集的问题,提出一种基于BERT＿Word2vec＿BiLSTM＿CRF模型的实体槽位识别方法,并通过数据增强对模型的训练数据集进行扩展．该模型将基于转换器的双向编码表征(BERT)模型得到的字向量表示和Word2vec得到的词向量表示进行融合,通过双向长短时记忆(BiLSTM)网络进行上下文编码,通过条件随机场(CRF)进行解码,得到最终的序列标注结果．通过在某企业提供的数据集上进行实验,结果表明：融合词级特征可以在BERT预训练模型的基础上进一步提升识别性能,F1值达到了92.33%.     

基于CNKI数据库的指静脉识别分析

为探究我国指静脉识别的演变历程和发展现状,以中国知识基础设施工程(CNKI)数据库为统计源,从学科类型、研究主题、涉及学科和机构分布变迁角度揭示我国指静脉识别演变进程,从关键词聚类分析、突变词分析、机构共引和作者共引角度揭示了我国指静脉识别的主要研究内容及研究方向、重点研究力量及研究热点.研究表明:我国指静脉识别的发展...     

基于Faster R-CNN的铝型材表面缺陷识别研究

传统铝型材目标检测算法的准确率较低,严重影响铝型材的美观和质量。本文在Faster R-CNN网络的基础上,用ResNeXt105(残差网络)代替原始VGG16(经典卷积神经网络)提取图像特征,设计了Cascade Faster R-CNN的网络结构,采用FPN(特征金字塔网络)提取多尺度特征图并进行特征图融合。实验结果表明,在2722张图像测试集上,Faster R-CNN模型准确率为62.7%,本网络模型测试准确率达到81.4%,提高了18.7%。故相比于其他网络模型,本文的Faster R-CNN模型具有更强的特征提取能力和泛化能力,为类似小目标检测提高了技术参考。     

非散度型椭圆方程系数识别问题的正则化解

研究了非散度型椭圆方程系数识别问题Tikhonov正则化解的收敛速度.由于反问题是不适定的,利用Tikhonov正则化方法将原问题转化为最优化问题,并构造相应的泛函.相较于散度型方程,这里的困难有两方面:①非散度型算子不利于分部积分;②控制泛函可能没有凸性.基于正问题的先验估计以及附加的源条件,获得了正则化解的收敛速度...     

基于知识图谱和语义相似度的岗位匹配与排序方法

互联网的普及极大地促进了在线招聘平台的发展,如何利用有效的算法在海量的职位和简历库中自动匹配符合岗位要求的简历,是构建在线招聘系统的难点之一.为解决上述问题,本文融合知识图谱和文本语义相似度算法,提出了一种采用字符搜索寻找符合岗位要求的简历子集和根据文本语义相似度对所得子集进行排序的两阶段方法.实验结果表明,基于BER...     

基于高斯噪声与ST-GCN的人体骨架动作识别

针对基于ST-GCN的骨架动作识别中人工预定义的邻接矩阵结构单一、难以捕捉到非相邻关节点之间的相关性这一问题,提出了一种基于高斯噪声的扰动机制.在人工预定义的骨架图邻接矩阵上引入高斯噪声,利用该噪声扰动ST-GCN中固定的邻接矩阵,捕捉非相邻关节点之间的相关性,运用该方法在具挑战性的NTU RGB+D和Kinetics-Skeleton两个大规模数据集上进行了分类识别实验,结果表明：该方法在两大数据集上的识别精度高达95.34%和36.43%,在节约计算量的前提下有效地提高了动作识别的性能.     

基于GM(1,1)模型的齿轮故障识别预测研究

针对齿轮故障诊断问题,提出一种基于灰色预测模型(GM(1,1))的齿轮故障识别预测方法。根据齿轮磨损情况将齿轮故障定义为4种状态：正常齿轮状态、齿根裂纹故障状态、齿面磨损故障状态和断齿故障状态。通过搭建齿轮故障诊断实验台,利用振动传感器采集齿轮工作过程中处于不同磨损状态时的振动加速度信号样本,利用小波降噪、小波分解重构等方法重构特征信号,得到去噪后的信号图像,进而提取振动加速度信号特征数值,并基于GM(1,1)建立齿轮故障识别预测模型。研究表明,该模型预测数值与真实值误差均值在0.56%～0.67%,相对误差均方根值在0.33%～0.43%,其中齿根裂纹状态时相对误差均值为0.67%,相对误差均方根为0.33%;断齿故障状态时相对误差均值为0.67%,相对误差均方根为0.39%;齿面磨损故障时相对误差均值为0.56%,相对误差均方根为0.43%。表明模型预测精度较高,可用于齿轮故障预测研究,为齿轮故障诊断提供了一种新的研究方法及理论依据。