国产精品久久91,成年黄页网站大全免费无码

基于熵率聚類的超像素機(jī)器視覺與缺陷檢測(cè)算法[其他][其他]

在智能制造中，傳統(tǒng)成像技術(shù)已經(jīng)滿足不了高精度工業(yè)需求。提出了結(jié)合熵率聚類的目標(biāo)分割算法，并且基于超像素的鄰邊集，建立熵率和平衡項(xiàng)的目標(biāo)函數(shù)，最后通過貪婪啟發(fā)算法優(yōu)化并求解該目標(biāo)函數(shù)，得到最優(yōu)的超像素集合。并設(shè)計(jì)了基于高斯函數(shù)衡量相鄰像素的相似性實(shí)驗(yàn)，設(shè)定相關(guān)參數(shù)，進(jìn)行工業(yè)制造實(shí)際流程檢測(cè)。最終實(shí)驗(yàn)結(jié)果表明，所提算法有較好的檢測(cè)識(shí)別效果，在輪廓及內(nèi)部條紋識(shí)別上效果明顯，整體識(shí)別效果良好，適用于工業(yè)制造領(lǐng)域。

發(fā)表于：2/23/2021

基于RADIOSS的車身正面碰撞仿真分析[其他][其他]

根據(jù)GB11551-2014《汽車正面碰撞的乘員保護(hù)》法規(guī)的要求，以某型客車車身為研究對(duì)象，將建好的幾何模型導(dǎo)入HyperMesh軟件中，通過拓?fù)湫迯?fù)、抽取中面以及簡(jiǎn)化模型等操作，完成對(duì)車身數(shù)模的幾何清理，建立了車身正面碰撞有限元模型。在RADIOSS環(huán)境下，設(shè)置材料屬性，選取彈簧單元焊點(diǎn)模型以及TYPE7接觸類型，對(duì)其正面碰撞過程進(jìn)行數(shù)值模擬，同時(shí)對(duì)碰撞過程中的車身變形、能量轉(zhuǎn)換規(guī)律以及速度和加速度進(jìn)行分析。將仿真結(jié)果與實(shí)車碰撞試驗(yàn)結(jié)果進(jìn)行對(duì)比，驗(yàn)證了車身模型的正確性。結(jié)果說明基于RADIOSS的計(jì)算機(jī)仿真方法不僅能指導(dǎo)客車車身的碰撞試驗(yàn)，并且可以大量縮減實(shí)車試驗(yàn)成本，具有較大的工程借鑒意義。此方法為車身結(jié)構(gòu)的進(jìn)一步優(yōu)化提供了研究基礎(chǔ)。

發(fā)表于：2/23/2021

基于激光引導(dǎo)的SCARA的軌跡規(guī)劃與優(yōu)化[其他][其他]

多數(shù)應(yīng)用場(chǎng)景中，SCARA機(jī)械臂的工作路徑為固定的模式，為結(jié)合視覺信息，優(yōu)化控制方式，采用激光打樣的方式引導(dǎo)SCARA動(dòng)作。以桃子TZ-500 SCARA機(jī)械臂和MATLAB為實(shí)驗(yàn)平臺(tái)，使用D-H坐標(biāo)系法建立機(jī)械臂的運(yùn)動(dòng)學(xué)模型，得到其工作空間。針對(duì)點(diǎn)到點(diǎn)的軌跡，采用五次多項(xiàng)式插值法完成在關(guān)節(jié)空間內(nèi)的規(guī)劃。靈活的多點(diǎn)軌跡，使用三次B樣條曲線插值法規(guī)劃得到相鄰點(diǎn)的三次軌跡，對(duì)于起始時(shí)刻和終止時(shí)刻加速度不為零的問題，設(shè)計(jì)了修正因子，保證加速度為零，有效降低沖擊。為了縮短運(yùn)行時(shí)間，結(jié)合約束條件和應(yīng)用場(chǎng)景設(shè)計(jì)了新的罰函數(shù)，并對(duì)遺傳算法的選擇和變異方向進(jìn)行改進(jìn)，加速篩選過程。實(shí)驗(yàn)結(jié)果表明，使用了改進(jìn)后的遺傳算法，得到軌跡的運(yùn)行時(shí)間要優(yōu)于優(yōu)化前的軌跡，有效地提高了運(yùn)行效率和精度。

發(fā)表于：2/23/2021

基于電力數(shù)據(jù)分析的污染物排放監(jiān)測(cè)方法研究[其他][其他]

在當(dāng)下快速的發(fā)展過程中，社會(huì)的現(xiàn)代化建設(shè)對(duì)環(huán)境帶來了一定程度的破壞，為了實(shí)現(xiàn)持續(xù)性的社會(huì)發(fā)展，就需要對(duì)其各種生產(chǎn)生活所帶來的污染物進(jìn)行良好的監(jiān)測(cè)。提供了一種對(duì)產(chǎn)污企業(yè)污染物排放過程進(jìn)行科學(xué)監(jiān)測(cè)的方法，對(duì)智能電表采集的數(shù)據(jù)進(jìn)行處理與分析，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)設(shè)備進(jìn)行識(shí)別，從而判斷設(shè)備啟停狀態(tài)。形成了24小時(shí)不間斷的智能監(jiān)控，進(jìn)而對(duì)企業(yè)的污染物排放監(jiān)管進(jìn)行合理的監(jiān)控，實(shí)現(xiàn)對(duì)企業(yè)生產(chǎn)中污染排放的監(jiān)測(cè)，提升污染物的治理效果，具有較好的實(shí)際應(yīng)用價(jià)值。

發(fā)表于：2/23/2021

基于X-Linear和語(yǔ)義嵌入的視頻描述算法[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

注意力機(jī)制和視頻語(yǔ)義嵌入使得視頻描述任務(wù)取得了顯著的提升，為更好地利用時(shí)序動(dòng)態(tài)特征和語(yǔ)義信息，提出一種基于X-Linear的語(yǔ)義嵌入視頻描述算法(X-Linear Semantic Embedding Network，XLSNet)。該算法以基于編碼解碼器網(wǎng)絡(luò)為基礎(chǔ)，使用X-Linear注意力模塊對(duì)視頻特征進(jìn)行編碼，該模塊使用雙線性池化來增加視頻時(shí)序特征的高階交互，最終提取豐富的時(shí)序動(dòng)態(tài)特征；為充分利用視頻語(yǔ)義信息，使用語(yǔ)義嵌入的GRU和X-Linear作為解碼器對(duì)視頻描述進(jìn)行生成。為防止過擬合現(xiàn)象，對(duì)解碼器的GRU使用了層歸一化和變分Dropout。所提出的算法僅僅使用了視頻幀特征，在公開視頻描述數(shù)據(jù)集MSVD上取得了很好的效果。

發(fā)表于：2/23/2021

基于DeepLabv3的隨機(jī)褶皺防偽圖案識(shí)別研究[其他][其他]

針對(duì)現(xiàn)有防偽技術(shù)可靠性較低、容易被仿制、防偽成本高昂等問題，基于DeepLabv3，提出一種由熱膨脹系數(shù)失配產(chǎn)生壓縮應(yīng)力形成隨機(jī)褶皺防偽標(biāo)識(shí)圖案的識(shí)別方法。具體采用深度卷積網(wǎng)絡(luò)分類算法中DeepLabv3進(jìn)行分類識(shí)別，通過優(yōu)化全連接層并設(shè)置不同的神經(jīng)元節(jié)點(diǎn)，提高識(shí)別網(wǎng)絡(luò)的分類準(zhǔn)確率，縮減訓(xùn)練時(shí)間，訓(xùn)練準(zhǔn)確率達(dá)96.58%，獲得了能對(duì)褶皺紋理圖案精準(zhǔn)識(shí)別的網(wǎng)絡(luò)模型，實(shí)現(xiàn)具有安全性的防偽目的。

發(fā)表于：2/23/2021

融合傳統(tǒng)特征與神經(jīng)網(wǎng)絡(luò)的深度偽造檢測(cè)算法[其他][其他]

人臉深度偽造檢測(cè)技術(shù)對(duì)于打擊虛假圖像/視頻泛濫具有至關(guān)重要的意義。提出了一種融合傳統(tǒng)特征與神經(jīng)網(wǎng)絡(luò)的檢測(cè)算法，算法結(jié)合了傳統(tǒng)特征具有可解釋性與神經(jīng)網(wǎng)絡(luò)高準(zhǔn)確率的優(yōu)點(diǎn)，利用圖像灰度共生矩陣以及XceptionNet組成雙特征提取模塊，然后在全卷積網(wǎng)絡(luò)中充分考慮雙流融合特征信息，最終根據(jù)網(wǎng)絡(luò)多損失實(shí)現(xiàn)圖像真?zhèn)畏诸惻袥Q。在FaceForensics++數(shù)據(jù)集上進(jìn)行了訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果表明，相比現(xiàn)有深度學(xué)習(xí)算法，檢測(cè)準(zhǔn)確率有明顯提升。而且由于引入的紋理特征具有一定的可解釋性，表現(xiàn)出良好的鑒別性能。

發(fā)表于：2/23/2021

數(shù)字圖像處理在橋梁結(jié)構(gòu)變形檢測(cè)的應(yīng)用研究[其他][其他]

針對(duì)大型橋梁在施工階段和運(yùn)營(yíng)期間發(fā)生結(jié)構(gòu)變形問題，目前缺乏自動(dòng)化、高頻、實(shí)時(shí)與長(zhǎng)期并且精確的檢測(cè)手段。在數(shù)字圖像處理與深度學(xué)習(xí)理論基礎(chǔ)下，提出一種適用于大型橋梁結(jié)構(gòu)變形的非接觸式檢測(cè)方法，并以此方法研發(fā)系統(tǒng)，可以對(duì)橋梁多個(gè)目標(biāo)結(jié)構(gòu)進(jìn)行同步動(dòng)態(tài)監(jiān)測(cè)。該方法首先通過高分辨率攝影設(shè)備獲取橋梁結(jié)構(gòu)的動(dòng)態(tài)視頻序列圖像；其次對(duì)圖像進(jìn)行預(yù)處理去除天氣等外部因素對(duì)圖像的影響；然后提取圖像ROI確定待處理的具體橋梁結(jié)構(gòu)部位；最后對(duì)深度學(xué)習(xí)中YOLOv3算法進(jìn)行改進(jìn)并結(jié)合改進(jìn)后的SURF算法實(shí)現(xiàn)橋梁結(jié)構(gòu)的變形檢測(cè)。實(shí)驗(yàn)結(jié)果表明，算法檢測(cè)速度在20～30 f/s之間，目標(biāo)距離100 m時(shí)，算法檢測(cè)精度在0.3 mm以內(nèi)，檢測(cè)精度高，可有效反映橋梁結(jié)構(gòu)變形情況。

發(fā)表于：2/23/2021

面向任務(wù)的跨域協(xié)作系統(tǒng)設(shè)計(jì)與應(yīng)用展望[其他][其他]

隨著戰(zhàn)場(chǎng)環(huán)境向多域擴(kuò)展，各作戰(zhàn)域的信息資源共享、作戰(zhàn)力量協(xié)同成為未來聯(lián)合作戰(zhàn)的致勝關(guān)鍵。針對(duì)當(dāng)前協(xié)同手段難以滿足跨域作戰(zhàn)需求的問題，設(shè)計(jì)了一種面向任務(wù)的跨域協(xié)作系統(tǒng)，可根據(jù)作戰(zhàn)任務(wù)，動(dòng)態(tài)組建臨時(shí)群組，綜合利用多種協(xié)同手段，從更低層級(jí)實(shí)現(xiàn)跨域信息融合與作戰(zhàn)力量協(xié)同。該系統(tǒng)的應(yīng)用可為作戰(zhàn)協(xié)同手段和協(xié)同創(chuàng)新概念的探索研究起到拋磚引玉的作用。

發(fā)表于：2/23/2021

一種針對(duì)傳染病接觸者的遠(yuǎn)程監(jiān)控和隱私保護(hù)方法[其他][醫(yī)療電子]

目前的傳染病監(jiān)控大都只是對(duì)發(fā)病地區(qū)居民健康和位置數(shù)據(jù)的采集和分析，未給出針對(duì)接觸者健康監(jiān)控、數(shù)據(jù)隱私保護(hù)和確診收治的有效方法。因此，提出了一個(gè)針對(duì)接觸者健康監(jiān)控、位置軌跡記錄和疑似處理的完整系統(tǒng)模型，設(shè)計(jì)了基于手機(jī)注冊(cè)、身份認(rèn)證和加密機(jī)制的個(gè)人數(shù)據(jù)保護(hù)方法，進(jìn)而提出了位置數(shù)據(jù)庫(kù)分離存儲(chǔ)和雙重加密的位置軌跡保護(hù)策略。理論安全分析表明：提出的遠(yuǎn)程監(jiān)控模型和隱私保護(hù)方法，能夠有效對(duì)抗傳輸攻擊和數(shù)據(jù)使用過程的隱私泄露。該研究有望為傳染病遠(yuǎn)程防控提供一種新的有效途徑。

發(fā)表于：2/23/2021

反射放大型DDoS攻擊的預(yù)防策略研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

隨著計(jì)算機(jī)和通信技術(shù)的高速發(fā)展，網(wǎng)絡(luò)空間維度與現(xiàn)實(shí)世界的對(duì)照格外清晰，因此安全管理網(wǎng)絡(luò)空間顯得意義重大。針對(duì)近年來已公布的網(wǎng)絡(luò)環(huán)境中反射放大型分布式拒絕服務(wù)攻擊(Distributed Denial of Service，DDoS)安全問題，基于Memcached、DNS、NTP、SNMP、SSDP和CLDAP六種常見協(xié)議對(duì)所存在的漏洞進(jìn)行分析，搭建六種協(xié)議的服務(wù)器仿真環(huán)境，通過使用交互式數(shù)據(jù)包操作程序scapy編程，實(shí)現(xiàn)對(duì)仿真環(huán)境中目標(biāo)主機(jī)的IP欺騙和帶寬放大。通過ZoomEye獲取真實(shí)網(wǎng)絡(luò)環(huán)境中的可用IP資源，以仿真環(huán)境中目標(biāo)主機(jī)IP作為受害者，測(cè)試真實(shí)環(huán)境中可用IP資源產(chǎn)生的欺騙效果和帶寬放大倍數(shù)，根據(jù)實(shí)驗(yàn)結(jié)果分析反射放大型DDoS的危害并從服務(wù)器和受害者兩個(gè)角度給出防范策略。

發(fā)表于：2/23/2021

應(yīng)對(duì)“更高”存儲(chǔ)器件的ALD填充技術(shù)[EDA與制造][數(shù)據(jù)中心]

對(duì)3D NAND、DRAM和邏輯芯片制造商來說，高深寬比復(fù)雜架構(gòu)下的填隙一直是一大難題。

發(fā)表于：2/23/2021

MAX9814芯片在MFSK水聲通信抗幅度衰落中的應(yīng)用[其他][其他]

在集群海洋觀測(cè)、海洋物聯(lián)網(wǎng)(IoT)等應(yīng)用對(duì)低成本、小尺寸水聲通信設(shè)備的需求日益廣泛。低復(fù)雜度、高可靠性的多進(jìn)制移頻鍵控（MFSK）調(diào)制提供了一種有效的技術(shù)方案。針對(duì)水聲信道惡劣時(shí)-空-頻變特性給MFSK水聲通信帶來的嚴(yán)重幅度衰落，采用芯片MAX9814帶有的自動(dòng)增益控制功能對(duì)MFSK水聲通信進(jìn)行抗衰落處理，具有小尺寸、高集成的特點(diǎn)。淺海信道海試實(shí)驗(yàn)結(jié)果表明，采用MAX9814芯片夠有效地抑制水聲信道所造成的幅度衰落，改善水聲通信性能。

發(fā)表于：2/23/2021

面向移動(dòng)邊緣計(jì)算基于強(qiáng)化學(xué)習(xí)的計(jì)算卸載算法[其他][其他]

針對(duì)移動(dòng)邊緣計(jì)算(Mobile Edge Computing，MEC)的計(jì)算卸載決策的問題，基于強(qiáng)化學(xué)習(xí)方法提出了一個(gè)在多用戶的MEC系統(tǒng)中的計(jì)算卸載決策算法(Offloading Decision algorithm based on Reinforcement Learning，ODRL)。ODRL算法根據(jù)任務(wù)模型、計(jì)算模型以及信道狀態(tài)對(duì)任務(wù)進(jìn)行卸載決策，采用強(qiáng)化學(xué)習(xí)方法求解最優(yōu)計(jì)算卸載策略。仿真結(jié)果證明了所提出的ODRL算法與基線策略相比，具有更低的系統(tǒng)總成本。

發(fā)表于：2/23/2021

開關(guān)模式電源電流檢測(cè)——第一部分：基本知識(shí)[電源技術(shù)][工業(yè)自動(dòng)化]

電流模式控制由于其高可靠性、環(huán)路補(bǔ)償設(shè)計(jì)簡(jiǎn)單、負(fù)載分配功能簡(jiǎn)單可靠的特點(diǎn)，被廣泛用于開關(guān)模式電源。電流檢測(cè)信號(hào)是電流模式開關(guān)模式電源設(shè)計(jì)的重要組成部分，它用于調(diào)節(jié)輸出并提供過流保護(hù)。圖1顯示了LTC3855同步開關(guān)模式降壓電源的電流檢測(cè)電路。LTC3855是一款具有逐周期限流功能的電流模式控制器件。檢測(cè)電阻RS監(jiān)測(cè)電流。

發(fā)表于：2/23/2021