排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
时域有限差分并行算法中的吸收边界研究 总被引:2,自引:0,他引:2
针对并行FDTD中以二阶Mur、单轴各向异性介质完全匹配层(UPML)和卷积形式完全匹配层(CPML)为吸收边界的并行化处理方法进行论述.用金属球的远区散射计算,并与Mie级数解对比,验证了并行计算中三种吸收边界的吸收效果.最后给出UPML吸收边界FDTD计算内存估计公式,并以电大尺寸目标卫星模型为例对并行性能进行了测试.由于并行中通信时间影响并行加速比和效率,UPML和CPML吸收边界的相邻子域数据通信方式与FDTD选代式相同,而Mur吸收边界的相邻子域间数据通信方式与FDTD完全不同,它的并行性能要低于前两者.电大尺寸卫星目标模型的多机并行计算测试结果表明,UPML和CPML并行FDTD计算的并行加速比及其效率整体上高于Mur,其中CPML吸收条件下的效率达到90%以上. 相似文献
2.
3.
4.
探地雷达(ground-penetrating radar, GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence, AI)技术的快速发展为基于AI的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有RCNN(region-convolutional neural network)和YOLO(you only look once)。虽然YOLOv3在目标检测方面已经有了一定的成效,但YOLOv4的改进算法可以进一步提高检测能力。结合YOLOv3算法,对比研究分析YOLOv4目标检测算法的改进对于目标检测任务的影响,以及YOLOv4算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。 相似文献
1