亚洲一区在线曰日韩在线,无码a√毛片一区二区三区,深夜视频在线观看视频APP

基于C/S架構(gòu)的機場地理信息系統(tǒng)的設(shè)計與實現(xiàn)[模擬設(shè)計][智能交通]

近年來，隨著生活水平的提高，人們越來越多地選擇飛機作為長距離旅行的交通工具，因此對機場效率提出了更高的要求，機場信息化就成為了大勢所趨。而地理信息系統(tǒng)作為機場信息化的重要組成部分，對其研究和開發(fā)就成為了機場信息化建設(shè)的重要內(nèi)容之一。分析了當(dāng)前機場地理信息系統(tǒng)的技術(shù)現(xiàn)狀，針對其實時性差和安全性不高等問題，提出了一種基于C/S架構(gòu)的新型機場地理信息系統(tǒng)。該系統(tǒng)在中航油智慧加油改造項目中實現(xiàn)并得到成功應(yīng)用，具有實時性好、安全性高等特點。

發(fā)表于：12/16/2020

基于TrackRay的滲透測試平臺設(shè)計[其他][信息安全]

如何維護網(wǎng)絡(luò)信息安全一直是IT行業(yè)重點關(guān)注的問題。滲透測試是一種常見的網(wǎng)絡(luò)安全評估方法，由于滲透測試所采用的安全工具過于繁雜，因此設(shè)計一個基于TrackRay的滲透測試平臺，內(nèi)置有漏洞掃描器和Web服務(wù)接口，并集成和綜合多種安全工具的優(yōu)點，功能強大，簡便易用。特別是支持Java、Python、JSON等方式編寫插件，調(diào)用各種類型插件來進行滲透測試，可移植性大大提高。經(jīng)試驗結(jié)果表明，該滲透測試平臺搭建簡單方便，可運用于Windows和Linux等系統(tǒng)，并且可以進行靈活的編寫插件實現(xiàn)快速的Web安全漏洞檢測。

發(fā)表于：12/16/2020

基于非凸包的灌注區(qū)包絡(luò)自動擬合方法[其他][其他]

在微觀驅(qū)替實驗中，往往利用玻璃刻蝕模型來觀察油水在巖心孔隙中的運動過程。對實驗中采集到的微觀驅(qū)替序列圖進行分析研究，能夠?qū)︱?qū)替效果進行定量計算。針對微觀驅(qū)替序列圖中灌注區(qū)數(shù)量不固定、形態(tài)特征不規(guī)則、圖像數(shù)量多等問題，提出了一種基于非凸包的灌注區(qū)包絡(luò)自動擬合方法。即先對灌注區(qū)點集進行邊緣提取，再對灌注區(qū)進行聚類分析，最后采用非凸包算法對每個灌注區(qū)提取包絡(luò)。結(jié)果顯示采用該方法得到的波及系數(shù)比傳統(tǒng)凸包算法具有更高的精確性，并可實現(xiàn)包絡(luò)擬合的自動化，具有比較高的應(yīng)用價值。

發(fā)表于：12/16/2020

公路視頻實時車輛檢測分類與車流量統(tǒng)計算法[模擬設(shè)計][智能交通]

公路視頻實時車輛檢測分類與車流量統(tǒng)計是計算機視覺領(lǐng)域的一個經(jīng)典問題。傳統(tǒng)設(shè)置檢測帶法，易漏檢復(fù)檢，自動化性不好?；谏疃染W(wǎng)絡(luò)的one-stage算法實時性好，但是經(jīng)常會把變化的背景、運動的非車輛物體納入其中，同時對光照變化敏感，夜間分類效果不好。因此，提出采用one-stage做目標(biāo)檢測，并不直接獲取分類結(jié)果，而是根據(jù)標(biāo)注框?qū)⑽矬w切割出來，去除背景，提升抗背景擾動性能和分類效果；再送入一個經(jīng)過遷移學(xué)習(xí)的淺層神經(jīng)網(wǎng)絡(luò)；將分類輸出和目標(biāo)檢測網(wǎng)絡(luò)的位置輸出合并送入一個全圖匹配算法，進行車流量統(tǒng)計。該方法在保障實時性的同時降低了漏檢和復(fù)檢率。

發(fā)表于：12/16/2020

基于AHP的威脅情報網(wǎng)站價值評估方法[其他][其他]

威脅情報的采集是情報搜集工作中至關(guān)重要的一個環(huán)節(jié)，威脅情報網(wǎng)站是其重要載體。首先確定了威脅情報的價值特性，然后討論了利用層次分析法確定諸多模糊聚類因子的權(quán)重，并且應(yīng)用模糊綜合評價方法建立了模糊綜合評價方法的兩級模型，從而得到對威脅情報網(wǎng)站的客觀評估，方便用戶在搜集信息時進行權(quán)衡。與其他方法相比該方法評價結(jié)果更具準(zhǔn)確性，具有較大的現(xiàn)實意義和應(yīng)用前景。

發(fā)表于：12/16/2020

基于改進LeNet-5的形狀類似物體識別方法[人工智能][工業(yè)自動化]

針對深度學(xué)習(xí)在對外形類似物體的識別上存在著識別精度低、耗時長等問題，提出基于改進的LeNet-5的識別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，將卷積層變?yōu)殡p層非對稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡(luò)泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時長的缺點；通過對訓(xùn)練集進行增廣增加訓(xùn)練樣本。實驗結(jié)果表明，改進LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內(nèi)收斂，這些指標(biāo)均顯著優(yōu)于原網(wǎng)絡(luò)。

發(fā)表于：12/16/2020

卷積神經(jīng)網(wǎng)絡(luò)識別地基云圖的數(shù)據(jù)庫建立及處理方法[其他][其他]

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對地基云圖相關(guān)研究時，建立云圖樣本庫是第一步，也是非常重要的一步。首先，通過數(shù)碼相機直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取以及由全天空照相機拍攝等手段獲取三個云圖樣本庫；接著，對三個樣本庫圖像的分辨率、噪聲、數(shù)量等問題進行了分析；然后，采用雙線性插值和數(shù)據(jù)增強方法對樣本庫進行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對增強后的數(shù)據(jù)集進行云識別分類驗證，實驗結(jié)果表明，利用本文方法進行增強數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對小樣本數(shù)據(jù)識別率不高

發(fā)表于：12/16/2020

基于Lucene的中文是非問答系統(tǒng)的設(shè)計與實現(xiàn)[模擬設(shè)計][其他]

針對中文是非問句，設(shè)計并實現(xiàn)了基于Lucene的問答系統(tǒng)，主要包括問句預(yù)處理、索引創(chuàng)建和答案整理三部分。問句預(yù)處理部分，引入句法成分權(quán)重和命名實體權(quán)重改進TextRank算法，得到一種提取問句核心詞的方法。在索引創(chuàng)建部分，針對本地的多源數(shù)據(jù)進行文檔融合創(chuàng)建索引，降低數(shù)據(jù)多樣性帶來的復(fù)雜度。在答案整理部分，對查詢索引結(jié)果進行答案判決，輸出肯定或否定含義的答案。實驗結(jié)果表明，數(shù)據(jù)融合能有效減少索引創(chuàng)建耗時，改進TextRank的核心詞提取方法準(zhǔn)確率明顯高于TextRank，系統(tǒng)具有較為不錯的性能。

發(fā)表于：12/16/2020

基于FTM和CSI的單站目標(biāo)跟蹤研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

WiFi技術(shù)在定位跟蹤領(lǐng)域得到了迅速發(fā)展和應(yīng)用，不僅可以通過精細(xì)時間測量(FTM)協(xié)議獲得到達時間，還能利用信道狀態(tài)信息(CSI)估計到達角，為單站目標(biāo)跟蹤提供了十分有利的條件。針對單站情況下到達時間和到達角的非線性跟蹤問題，提出了一種簡單有效的偏差補償卡爾曼濾波算法(BCKF)。該算法對非線性觀測方程進行偽線性化，然后補償由偽線性化引起的估計偏差，實現(xiàn)更準(zhǔn)確的狀態(tài)估計。搭建WiFi測量平臺，并在室內(nèi)外兩種典型環(huán)境下進行單站目標(biāo)跟蹤。實驗結(jié)果表明，相較于其他非線性濾波算法，BCKF能以較低計算開銷實現(xiàn)更準(zhǔn)確的目標(biāo)跟蹤，在室內(nèi)外的80%跟蹤誤差分別不超過3.7 m和1.5 m。

發(fā)表于：12/16/2020

飛機舵機電液伺服系統(tǒng)智能PID控制方法研究[人工智能][智能交通]

針對飛機舵機電液伺服系統(tǒng)中PID控制器參數(shù)難以整定的問題，引入一種智能PID控制方法。該方法結(jié)合了粒子群算法和PID控制器的優(yōu)點，并利用蜂群算法的選擇策略對粒子群算法進行優(yōu)化，適應(yīng)了飛機舵機電液伺服系統(tǒng)非線性動態(tài)控制環(huán)境的要求。實驗結(jié)果表明，飛機舵機電液伺服系統(tǒng)智能PID控制方法能夠達到系統(tǒng)控制性能指標(biāo)要求，相較于傳統(tǒng)PID控制器具有更良好的跟蹤效果。

發(fā)表于：12/16/2020

基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究[人工智能][其他]

織物瑕疵檢測是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測方法檢測效率低，勞動強度大。因此，針對傳統(tǒng)檢測方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實現(xiàn)織物瑕疵檢測。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測的目標(biāo)，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測試過程中，提出對大尺度圖片進行有重疊的分割，然后對分割后的圖片進行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來實現(xiàn)大尺度圖片的瑕疵檢測。實驗結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測速度快、檢測精度高等優(yōu)勢。

發(fā)表于：12/16/2020

人工智能基礎(chǔ)軟硬件架構(gòu)的關(guān)鍵技術(shù)研究[人工智能][通信網(wǎng)絡(luò)]

針對當(dāng)前人工智能技術(shù)在軍用領(lǐng)域的應(yīng)用問題和難點，研究基于深度學(xué)習(xí)技術(shù)的軍用軟硬件架構(gòu)設(shè)計方法，并且結(jié)合業(yè)內(nèi)主流的軟硬件基礎(chǔ)架構(gòu)，分析在軍事應(yīng)用中涉及的關(guān)鍵技術(shù)和解決思路。通過對深度學(xué)習(xí)模型壓縮轉(zhuǎn)化、數(shù)據(jù)增強和分布式訓(xùn)練等軟硬件架構(gòu)的關(guān)鍵技術(shù)研究，設(shè)計構(gòu)建了一站式人工智能開發(fā)平臺、嵌入式邊緣智能計算平臺，對軍用人工智能提供端到端的訓(xùn)練、部署和測試支撐。該研究可為未來智能無人作戰(zhàn)系統(tǒng)提供軟硬協(xié)同的智能計算解決方案。

發(fā)表于：12/16/2020

基于改進P-Unet模型的巖屑顆粒識別[人工智能][其他]

提出了一種基于改進P-Unet模型的巖屑顆粒識別方法。該方法基于Unet模型結(jié)構(gòu)，運用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息。改進P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101，在提高巖屑顆粒識別準(zhǔn)確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點損失函數(shù)，在一定程度上解決巖屑顆粒類別不平衡的問題，同時運用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，較大程度減少了網(wǎng)絡(luò)的參數(shù)以及預(yù)測的時間。實驗結(jié)果表明，改進P-Unet模型得到的識別準(zhǔn)確率對比同類先進算法有一定的提升，對巖屑顆粒識別的結(jié)果更加準(zhǔn)確。

發(fā)表于：12/16/2020

基于GANs無監(jiān)督回歸三維參數(shù)化人臉模型[人工智能][其他]

針對神經(jīng)網(wǎng)絡(luò)回歸訓(xùn)練過程中三維人臉數(shù)據(jù)稀缺的問題，提出了基于生成對抗網(wǎng)絡(luò)(GANs)回歸三維參數(shù)化人臉模型(3DMM)的無監(jiān)督學(xué)習(xí)方式。首先利用GANs的對抗生成訓(xùn)練使生成器回歸的3DMM參數(shù)符合真實感人臉形狀的參數(shù)分布。隨后將生成的三維人臉網(wǎng)格渲染成二維圖片，利用身份編碼器對輸入人臉及渲染人臉分別提取身份特征向量，通過不斷縮小向量之間的距離使得生成的三維人臉網(wǎng)格靠近輸入人臉的身份特征。實驗結(jié)果表明，該方法在重建結(jié)果頂點位置準(zhǔn)確性上相對于現(xiàn)有的方法有明顯的提升，且擁有較好的RMSE值，能夠較好應(yīng)用于三維人臉重建任務(wù)。

發(fā)表于：12/16/2020

基于二倍體顯性機制的透視變換矩陣參數(shù)優(yōu)化[其他][其他]

圖像拼接的基礎(chǔ)是將所有待拼接的圖像轉(zhuǎn)換到同一平面上，而透視變換矩陣描述的就是一個平面到另一個平面的投影變換，反映了圖像坐標(biāo)點之間的一一對應(yīng)關(guān)系。但當(dāng)透視變換矩陣中參數(shù)精度較低時會導(dǎo)致圖像拼接效果不佳，拼接過程中會出現(xiàn)公共區(qū)域無法對接、有鬼影等現(xiàn)象。提出了一種基于二倍體顯性機制的DNA遺傳算法(AO方法)的矩陣參數(shù)優(yōu)化方案，AO方法在優(yōu)化效率上能以較快的速度和較高的精度搜索到問題的全局最優(yōu)解，從而提高透視變換矩陣參數(shù)的精度。實驗結(jié)果顯示，所提出的方法能夠較好地優(yōu)化矩陣參數(shù)，符合期望目標(biāo)。

發(fā)表于：12/16/2020