3d动漫精品专区久久,a级黄毛片在线观看,日韩精品合集在线第一页

泛在電力物聯(lián)——智能電纜井蓋您見過嗎？[EDA與制造][工業(yè)自動化]

“智慧城市”、“智能電網(wǎng)”、“泛在電力物聯(lián)”......近幾年一些新概念相繼被提出，這些規(guī)劃相互交叉影響，在一些試點城市快速建設(shè)推進，如高壓電纜線已由空架開始轉(zhuǎn)到地下，以青島為例，主干道、高新區(qū)老區(qū)改造新區(qū)建設(shè)都要求電纜下地，每50m-100m覆蓋一個智能井蓋來保證城市安全，釋放城市空間資源。

發(fā)表于：12/16/2020

無中斷向量重定位單片機中實現(xiàn)IAP和APP中斷的方法[嵌入式技術(shù)][工業(yè)自動化]

獨創(chuàng)了一種基于RAM中轉(zhuǎn)的中斷跳轉(zhuǎn)方法，該方法以軟件形式實現(xiàn)了單片機的中斷向量重定位功能，實現(xiàn)了在應(yīng)用中編程，克服了某類普通經(jīng)濟型單片機無法通過硬件寄存器設(shè)置中斷跳轉(zhuǎn)地址來實現(xiàn)跳轉(zhuǎn)的局限性，使得這類單片機也能在同一片F(xiàn)lash內(nèi)運行IAP和APP并相互跳轉(zhuǎn)，大大拓展了實用性。采用某國產(chǎn)單片機(SWM240)實現(xiàn)了IAP和APP部分，并在生產(chǎn)實際中得到檢驗。

發(fā)表于：12/16/2020

一種高速網(wǎng)絡(luò)流識別處理系統(tǒng)的設(shè)計與實現(xiàn)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

隨著骨干網(wǎng)絡(luò)傳輸速率不斷提高，對高速網(wǎng)絡(luò)信號分析處理系統(tǒng)的需求十分迫切。骨干網(wǎng)絡(luò)高速率、大帶寬的特點給整個網(wǎng)絡(luò)空間的管理帶來了許多困難。采用五元組定義的網(wǎng)絡(luò)流作為研究對象，通過理論分析，設(shè)計和實現(xiàn)了高速網(wǎng)絡(luò)流識別處理系統(tǒng)硬件平臺，實現(xiàn)網(wǎng)絡(luò)信號在流層面的分析識別，并根據(jù)分析結(jié)果執(zhí)行不同的處理策略，從而為網(wǎng)絡(luò)流的分類處理提供了依據(jù)。

發(fā)表于：12/16/2020

基于深度學(xué)習(xí)的在線字臨摹分析系統(tǒng)設(shè)計[其他][其他]

為方便和快速地進行字體臨摹分析，該系統(tǒng)將紙面手寫字與名人真跡字進行相似度比較，使用殘差網(wǎng)絡(luò)ResNet50模型和新的字相似度算法對手寫字進行高精度識別并與名人真跡字快速地進行相似度計算。將自制的名人書法字數(shù)據(jù)集和普通中文數(shù)據(jù)集合在一起訓(xùn)練ResNet50模型，最后結(jié)合Web網(wǎng)站和Android開發(fā)了一個實時在線手寫字與各名人書法字進行相似度比較的系統(tǒng)。Android端主要用來上傳紙面手寫字照片和展示處理的結(jié)果，搭建的Web網(wǎng)站用來對圖片進行識別和相似度的計算與分析。

發(fā)表于：12/16/2020

基于Wi-Fi信號的環(huán)境反向散射技術(shù)分析[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

環(huán)境反向散射技術(shù)給物聯(lián)網(wǎng)低功耗設(shè)備部署的商業(yè)化帶來了新的技術(shù)方案。首先簡要概述反向散射技術(shù)的分類和基本特點，然后基于Wi-Fi信號下的環(huán)境反向散射技術(shù)，分析反向散射的設(shè)備通過接收Wi-Fi報文及反射信號來傳遞信息的可行性，討論設(shè)備實現(xiàn)Wi-Fi雙向通信的硬件框架和軟件模塊結(jié)構(gòu)，介紹反向散射技術(shù)的應(yīng)用場景，并歸納該技術(shù)的挑戰(zhàn)和改進方向。最后展望了基于Wi-Fi信號的環(huán)境反向散射技術(shù)的發(fā)展趨勢和研究方向。

發(fā)表于：12/16/2020

5G基站型路側(cè)設(shè)備技術(shù)方案與應(yīng)用研究[通信與網(wǎng)絡(luò)][5G]

隨著5G技術(shù)的發(fā)展和商用，基于車路協(xié)同的自動駕駛被業(yè)界認為是車聯(lián)網(wǎng)未來發(fā)展的主要方向之一，路側(cè)設(shè)備RSU是車路協(xié)同關(guān)鍵設(shè)備之一。立足于未來5G網(wǎng)絡(luò)和C-V2X網(wǎng)絡(luò)發(fā)展趨勢，分析了5G基站型RSU的需求，并對5G基站型RSU的技術(shù)方案、基本功能進行了描述，展望了5G基站型RSU的應(yīng)用場景。

發(fā)表于：12/16/2020

基于CNN-LightGBM模型的高速公路交通量預(yù)測[人工智能][物聯(lián)網(wǎng)]

有效的交通流量預(yù)測對人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預(yù)測模型主要基于交通流的時間特性，未結(jié)合交通流的時間和空間特性進行深入挖掘，因此預(yù)測效果有時不佳。提出了一種基于CNN與LightGBM結(jié)合的交通流預(yù)測模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點和出入口的時間和空間關(guān)聯(lián)性，實現(xiàn)對交通流數(shù)據(jù)的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進行預(yù)測。為了驗證模型的有效性，實驗中使用了多種預(yù)測模型進行對比，實驗結(jié)果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預(yù)測誤差，是一種有效快速的交通流預(yù)測模型。

發(fā)表于：12/15/2020

一種鄰域自適應(yīng)的雙閾值點云特征提取方法[其他][其他]

點云數(shù)據(jù)的特征提取是點云數(shù)據(jù)處理環(huán)節(jié)中的一項重要內(nèi)容，對幾何分析、數(shù)據(jù)分割、點云配準、模型重建等研究起關(guān)鍵作用。研究了基于法向量和曲率的點云特征提取技術(shù)，闡明了特征提取過程中鄰域選取與單一參數(shù)計算存在的問題，提出了鄰域自適應(yīng)的雙閾值點云特征提取方法。通過實驗對比了該算法與基于曲率的特征提取算法的提取效果，驗證了本算法的穩(wěn)定性、準確性。該算法對于幾何特征復(fù)雜的點云具有較好的提取效果，對提高點云特征點提取的精度及效率具有重要的意義。

發(fā)表于：12/15/2020

基于Flink框架的TopN堆排序優(yōu)化算法[其他][其他]

為了解決大數(shù)據(jù)TopN排序問題，將傳統(tǒng)的堆排序進行優(yōu)化，闡述了優(yōu)化后的HeapOptimize方法的處理過程。HeapOptimize方法基于Flink框架來完成TopN作業(yè)，可以實時地接收并處理大量的數(shù)據(jù)，根據(jù)單位時間需要處理的數(shù)據(jù)數(shù)量來調(diào)整算子的并行度，增加Flink框架的吞吐量，提高處理數(shù)據(jù)的速度。通過實驗測量的數(shù)據(jù)結(jié)果佐證了HeapOptimize方法的優(yōu)勢。

發(fā)表于：12/15/2020

基于改進馬爾科夫特征的圖像拼接檢測研究[通信與網(wǎng)絡(luò)][信息安全]

針對傳統(tǒng)馬爾科夫特征拼接檢測準確率不高的問題，提出了一種有效的馬爾科夫特征提取方法。與傳統(tǒng)馬爾科夫特征的計算過程不同，只計算水平和垂直兩個方向的轉(zhuǎn)移概率矩陣，選擇四個轉(zhuǎn)移概率矩陣中對應(yīng)位置求和后的值作為最終特征。求和操作不僅降低了特征維度，而且使真實圖像與拼接圖像之間的概率分布區(qū)分更加明顯。所提出的算法的特征維度與數(shù)據(jù)集無關(guān)。該方法在哥倫比亞彩色拼接檢測圖庫、CASIA V1.0和CASIA V2.0數(shù)據(jù)集上測試的準確率分別為94.38%、99.19%、96.02%。

發(fā)表于：12/15/2020

基于DAPA的卷積神經(jīng)網(wǎng)絡(luò)Web異常流量檢測方法[測試測量][通信網(wǎng)絡(luò)]

針對Web攻擊流量檢測問題，提出一種基于動態(tài)自適應(yīng)池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經(jīng)網(wǎng)絡(luò)模型。首先將數(shù)據(jù)集中每一條請求流量進行剪裁、對齊、補足等操作，生成一系列50×150的矩陣數(shù)據(jù)A作為輸入，然后搭建基于動態(tài)自適應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型去進行異常流量檢測，使之可以根據(jù)特征圖的不同，動態(tài)地調(diào)整池化過程，在網(wǎng)絡(luò)結(jié)構(gòu)中添加Dropout層來解決流量特征提取過程中的過擬合問題。實驗表明，該方法比未使用動態(tài)自適應(yīng)池化的方式精確度提升了1.2%，損失值降低了2.6%，過擬合問題也得到了解決。

發(fā)表于：12/15/2020

基于KNN的剩余油形態(tài)識別[其他][其他]

對從實驗中采集到的剩余油圖像進行分析研究，可以為油藏后期開采提供理論依據(jù)。通過收集確定類型的剩余油特征數(shù)據(jù)作為樣本集向量空間，對待分類剩余油特征數(shù)據(jù)進行歸一化處理，之后求取歐氏距離。使用KNN（K近鄰）分類方法近鄰?fù)镀贝_定剩余油類別，可以較為快速準確地得到分類結(jié)果。

發(fā)表于：12/15/2020

基于方面情感的層次化雙注意力網(wǎng)絡(luò)[人工智能][信創(chuàng)產(chǎn)業(yè)]

基于深度學(xué)習(xí)的方面級情感分析，結(jié)合注意力機制的神經(jīng)網(wǎng)絡(luò)模型取得較好的分類效果，但常用方法僅考慮單一層面注意力機制，且無法獲取句子間依賴關(guān)系。設(shè)計了一種層次化的雙注意力神經(jīng)網(wǎng)絡(luò)模型用于方面級情感分析，針對特定方面引入方面目標的注意力機制以及文本上下文自注意力機制，獲取方面特征信息和句子的全局依賴信息；設(shè)計層次化GRU網(wǎng)絡(luò)，其中單詞層嵌入特定方面信息，獲取針對方面目標的句子內(nèi)部特征信息，句子層網(wǎng)絡(luò)通過雙注意力機制和詞語層的輸入，獲取句子間的特征依賴信息，從而實現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進行對比實驗，驗證了該方法的有效性，針對方面級情感，分類準確率均得到了有效提升。

發(fā)表于：12/15/2020

基于疲勞駕駛的人眼定位方法研究[人工智能][工業(yè)自動化]

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進行了人臉檢測、瞳孔定位。針對現(xiàn)有方向梯度直方圖人臉檢測算法泛化能力不佳的問題，提出了一種基于信息熵加權(quán)的HOG特征提取算法，該算法將待分類的人臉特征進行信息熵閾值加權(quán)，形成新的HOG特征，然后通過支持向量機進行分類；針對現(xiàn)有瞳孔定位算法準確率不高的問題，提出了多算法協(xié)同工作的瞳孔定位方法，以自商圖為基準尋找二值分割點，實現(xiàn)了眼部區(qū)域光照不變性，以灰度積分投影為依據(jù)實現(xiàn)了瞳孔精確定位。實驗結(jié)果表明，該文提出的人臉檢測算法在CelebA驗證數(shù)據(jù)集準確率可達到98.26%，較傳統(tǒng)識別方法有更高的準確率；而瞳孔定位算法也可達到令人滿意的精確度，提高了瞳孔定位的準確性。

發(fā)表于：12/15/2020

基于頻域注意力時空卷積網(wǎng)絡(luò)的步態(tài)識別方法[模擬設(shè)計][信創(chuàng)產(chǎn)業(yè)]

為了解決步態(tài)信息冗余多、特征重要性分布不均勻以及步態(tài)的時空特征難以學(xué)習(xí)的問題，提出了基于頻域注意力的時空卷積網(wǎng)絡(luò)進行步態(tài)識別。該方法改進了三維卷積網(wǎng)絡(luò)(C3D)學(xué)習(xí)時空特征，同時提出了一種頻域注意力卷積操作，既減少了冗余計算，注意力的調(diào)整又提高了學(xué)習(xí)效果。網(wǎng)絡(luò)首先將步態(tài)信息劃分為五組，然后通過改進的卷積進行時空特征抽取，最后通過Softmax層進行分類。在中科大數(shù)據(jù)集CASIA dataset B中進行測試，在Bag狀態(tài)與Coat狀態(tài)下準確率分別為88.5%、92.8%，分別較傳統(tǒng)深度卷積網(wǎng)絡(luò)(Deep CNN)提升3%左右，同時注意力在網(wǎng)絡(luò)學(xué)習(xí)中重新分布，各個角度下的準確率也平均提升2%左右。

發(fā)表于：12/15/2020