最新設(shè)計(jì)資源

水聲監(jiān)聽(tīng)信號(hào)特征頻段提取方法研究[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

水聲監(jiān)聽(tīng)獲取信號(hào)的頻帶范圍較寬，在記錄過(guò)程中包含多頻段特征信息，同時(shí)會(huì)摻雜各類(lèi)噪聲信息。為可靠提取監(jiān)聽(tīng)信號(hào)各頻段有效特征信息，避免噪聲影響，解決能量法判斷特征頻段存在的弊端，打破單一方法在提取寬頻帶信號(hào)有效特征頻段過(guò)程中存在的局限性，集中小波包、相關(guān)系數(shù)和希爾伯特-黃各自?xún)?yōu)勢(shì)方法實(shí)現(xiàn)寬帶監(jiān)聽(tīng)信號(hào)多頻段有效特征信息提取。首先通過(guò)小波包算法對(duì)寬頻帶信號(hào)實(shí)現(xiàn)精細(xì)化分頻，利用相關(guān)系數(shù)分析判斷節(jié)點(diǎn)信號(hào)的有效性，排除噪聲節(jié)點(diǎn)，其次通過(guò)希爾伯特-黃對(duì)有效節(jié)點(diǎn)頻段內(nèi)的有效成分和噪聲進(jìn)一步分離，最后將處理后節(jié)點(diǎn)系數(shù)重構(gòu)獲得有效頻段特征信息。仿真分析驗(yàn)證和實(shí)測(cè)信號(hào)處理結(jié)果表明，該方法對(duì)寬頻帶水聲監(jiān)聽(tīng)信號(hào)特征頻率信息的提取具有一定優(yōu)勢(shì)，可在水聲目標(biāo)識(shí)別與監(jiān)測(cè)等方面推廣和應(yīng)用。

發(fā)表于：3/11/2020

基于深度學(xué)習(xí)的復(fù)雜分揀圖像快速識(shí)別方法研究[嵌入式技術(shù)][工業(yè)自動(dòng)化]

訓(xùn)練速度更快、識(shí)別精準(zhǔn)度更高的圖像識(shí)別技術(shù)一直是智能技術(shù)的研究熱點(diǎn)及前沿。針對(duì)物流分揀倉(cāng)庫(kù)環(huán)境復(fù)雜、照明度不高以及快遞外包裝區(qū)別不明顯的特點(diǎn)，對(duì)基于深度學(xué)習(xí)的分揀圖像快速識(shí)別進(jìn)行了研究，設(shè)計(jì)了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。由于倉(cāng)庫(kù)的封閉環(huán)境和光照條件等因素而導(dǎo)致分揀圖像不是很清晰，首先用對(duì)偶樹(shù)復(fù)小波變換對(duì)其進(jìn)行降噪等預(yù)處理；然后在基于AlexNet神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)于卷積神經(jīng)網(wǎng)絡(luò)的卷積層、ReLU層和池化層參數(shù)進(jìn)行重新定義來(lái)加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度；最后根據(jù)新的圖像分類(lèi)任務(wù)對(duì)神經(jīng)網(wǎng)絡(luò)的最后三層全連接層、Softmax層和分類(lèi)輸出層進(jìn)行定義來(lái)適應(yīng)新的圖像識(shí)別。所提出的基于深度學(xué)習(xí)的快速分揀圖像識(shí)別方法在面對(duì)較為復(fù)雜的分揀圖像識(shí)別時(shí)，有較高的訓(xùn)練速度和識(shí)別精準(zhǔn)度，能達(dá)到實(shí)驗(yàn)要求。分揀圖像快速識(shí)別對(duì)于提高無(wú)人倉(cāng)等場(chǎng)合下的物流效率具有重要意義。

發(fā)表于：3/9/2020