久久精品国产99国产精,国产精品一区二区综合亚洲,国产精品嫩草影院AV

基于改進(jìn)Canny算子的打火機(jī)抓取點(diǎn)定位[其他][其他]

在工業(yè)上，輪廓信息提取有利于后期工件的定位精度，輪廓信息提取的效果直接影響模板匹配的準(zhǔn)確度。打火機(jī)機(jī)殼為透明工件，傳統(tǒng)Canny算子難以準(zhǔn)確提取輪廓信息，且存在模糊邊緣、梯度信息較少、人為設(shè)置雙閾值適用性低等問(wèn)題。針對(duì)實(shí)際工業(yè)應(yīng)用及傳統(tǒng)算法問(wèn)題，改進(jìn)傳統(tǒng)算子。采用自適應(yīng)中值濾波代替高斯濾波，增加Sobel算子45o、135o方向模板，線性插值進(jìn)行非極大值抑制，采用最大類間差方法迭代計(jì)算雙閾值。將改進(jìn)算子應(yīng)用工件定位中，實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法可以較好地提取打火機(jī)輪廓信息抑制偽邊緣，并可提高匹配定位精度。

發(fā)表于：2023/5/31 14:32:00

基于隊(duì)列行駛的車聯(lián)網(wǎng)安全通信研究[通信與網(wǎng)絡(luò)][汽車電子]

基于隊(duì)列的駕駛模式能夠有效提高道路的通行能力和能源效率，在此基礎(chǔ)上，研究了基于隊(duì)列的車輛網(wǎng)絡(luò)在有竊聽(tīng)者存在下的無(wú)線連接性能，推導(dǎo)出隊(duì)列內(nèi)、隊(duì)列外和整個(gè)網(wǎng)絡(luò)的安全連通概率，以分別描述單個(gè)隊(duì)列、兩個(gè)隊(duì)列和所有隊(duì)列組成的網(wǎng)絡(luò)。仿真結(jié)果表明，影響連接性能的系統(tǒng)參數(shù)包括傳輸范圍、竊聽(tīng)者數(shù)量和車輛密度，且存在最優(yōu)車輛密度使安全連接性能達(dá)到最佳。

發(fā)表于：2023/5/31 14:27:14

基于超寬帶系統(tǒng)的雙卡爾曼濾波定位算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)室內(nèi)復(fù)雜通信環(huán)境中對(duì)于移動(dòng)目標(biāo)的循跡需求，設(shè)計(jì)了一種削弱非視距誤差的雙卡爾曼濾波器，將經(jīng)典卡爾曼濾波器與擴(kuò)展卡爾曼濾波器進(jìn)行級(jí)聯(lián)，并引入一種根據(jù)殘差分區(qū)調(diào)整卡爾曼濾波器協(xié)方差的區(qū)分誤差方式，用于自適應(yīng)調(diào)整經(jīng)典卡爾曼濾波器的濾波增益，從而達(dá)到平滑觀測(cè)值的作用，最終在擴(kuò)展卡爾曼濾波后輸出待測(cè)移動(dòng)目標(biāo)的位置信息，實(shí)現(xiàn)了移動(dòng)目標(biāo)的實(shí)時(shí)定位。在MATLAB上對(duì)該設(shè)計(jì)思路進(jìn)行了仿真，在勻速運(yùn)動(dòng)模型下與現(xiàn)有的幾種算法進(jìn)行了精度的比較，所提出的雙卡爾曼濾波器在仿真上能達(dá)到較高的循跡精度，均方根誤差在視距情況下達(dá)到3 cm以內(nèi)，非視距情況下達(dá)到10 cm以內(nèi)。

發(fā)表于：2023/5/31 14:12:00

電感參數(shù)可視化測(cè)量方法研究[測(cè)試測(cè)量][智能電網(wǎng)]

電感器有很多參數(shù)，其中最重要的兩個(gè)參數(shù)決定了電感器的性能：電感值和飽和電流。既有的電感參數(shù)測(cè)量方法要么能比較精確地測(cè)量電感值，要么能用其他輔助手段測(cè)量飽和電流，但都不能同時(shí)測(cè)量電感值和飽和電流。結(jié)合數(shù)字存儲(chǔ)示波器特殊的單次觸發(fā)和圖形顯示技術(shù)，設(shè)計(jì)簡(jiǎn)易的電阻電感串聯(lián)測(cè)量電路，根據(jù)電感值的測(cè)量定義，測(cè)量出電感兩端的電壓值以及取樣電阻的電流變動(dòng)值，從而計(jì)算出電感值。數(shù)字存儲(chǔ)示波器顯示測(cè)量曲線的拐點(diǎn)，即可求出電感飽和電流。通過(guò)實(shí)驗(yàn)驗(yàn)證，此方法能得到精確的電感值，同時(shí)能得到直觀的飽和電流值。方法原理簡(jiǎn)單，設(shè)計(jì)合理，易于操作，是在實(shí)驗(yàn)室缺少LCR測(cè)試儀的情況下一個(gè)經(jīng)濟(jì)有效的電感參數(shù)測(cè)量方法。

發(fā)表于：2023/5/31 14:05:45

基于改進(jìn)模糊PID位置隨動(dòng)系統(tǒng)控制[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

針對(duì)直流有刷電機(jī)在使用傳統(tǒng)模糊PID控制器進(jìn)行位置隨動(dòng)控制時(shí)，由于負(fù)載轉(zhuǎn)矩變化導(dǎo)致系統(tǒng)跟隨性能下降以及負(fù)載轉(zhuǎn)矩未知的問(wèn)題，提出了基于負(fù)載觀測(cè)器的改進(jìn)模糊PID控制器代替?zhèn)鹘y(tǒng)模糊PID控制器，在傳統(tǒng)模糊控制結(jié)構(gòu)的基礎(chǔ)上增加負(fù)載觀測(cè)器，實(shí)時(shí)觀測(cè)系統(tǒng)負(fù)載轉(zhuǎn)矩，并利用負(fù)載轉(zhuǎn)矩實(shí)時(shí)調(diào)節(jié)系統(tǒng)控制器參數(shù)，提升了系統(tǒng)在負(fù)載轉(zhuǎn)矩突變時(shí)的位置跟隨能力。仿真結(jié)果表明：負(fù)載觀測(cè)器能實(shí)時(shí)、準(zhǔn)確地觀測(cè)負(fù)載轉(zhuǎn)矩，改進(jìn)模糊PID控制器對(duì)負(fù)載擾動(dòng)有較強(qiáng)的抑制能力，并有效減小了系統(tǒng)的調(diào)節(jié)時(shí)間和穩(wěn)態(tài)誤差。

發(fā)表于：2023/5/31 13:59:12

基于USB2.0總線的NAND Flash檢測(cè)及控制方法[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

在高速大容量存儲(chǔ)裝置設(shè)計(jì)中多采用NAND Flash存儲(chǔ)器，針對(duì)目前采用串口檢測(cè)壞塊、實(shí)現(xiàn)數(shù)據(jù)讀寫(xiě)的方法存在檢測(cè)速度慢、等待時(shí)間長(zhǎng)等缺點(diǎn)，提出了基于USB2.0總線的NAND Flash檢測(cè)與控制方法。利用FPGA邏輯控制功能和高速USB接口芯片設(shè)計(jì)通信和控制電路，并通過(guò)上位機(jī)軟件實(shí)現(xiàn)對(duì)Flash的命令、操作控制，由用戶通過(guò)PC應(yīng)用程序完成對(duì)NAND Flash的讀寫(xiě)、擦除檢測(cè)及壞塊標(biāo)定。經(jīng)實(shí)驗(yàn)應(yīng)用驗(yàn)證，該方法檢測(cè)、讀寫(xiě)速度快，使用靈活，能準(zhǔn)確、有效實(shí)現(xiàn)數(shù)據(jù)的快速讀寫(xiě)、擦除及壞塊標(biāo)定，可廣泛應(yīng)用于存儲(chǔ)測(cè)試裝置的設(shè)計(jì)研制中。

發(fā)表于：2023/5/31 13:52:17

基于木馬特征風(fēng)險(xiǎn)敏感的硬件木馬檢測(cè)方法[測(cè)試測(cè)量][信息安全]

針對(duì)現(xiàn)有硬件木馬檢測(cè)方法中存在的木馬檢出率偏低問(wèn)題，提出一種基于木馬特征風(fēng)險(xiǎn)敏感的門級(jí)硬件木馬檢測(cè)方法。通過(guò)分析木馬電路的結(jié)構(gòu)特征和信號(hào)特征，構(gòu)建11維硬件木馬特征向量；提出了基于Borderline-SMOTE的硬件木馬特征擴(kuò)展算法，有效擴(kuò)充了訓(xùn)練數(shù)據(jù)集中的木馬樣本信息；基于PSO智能尋優(yōu)算法優(yōu)化SVM模型參數(shù)，建立了木馬特征風(fēng)險(xiǎn)敏感分類模型。該方法基于Trust-Hub木馬庫(kù)中的17個(gè)基準(zhǔn)電路展開(kāi)實(shí)驗(yàn)驗(yàn)證，其中16個(gè)基準(zhǔn)電路的平均真陽(yáng)率（TPR）達(dá)到100%，平均真陰率（TNR）高達(dá)99.04%，與現(xiàn)有的其他檢測(cè)方法相比，大幅提升了硬件木馬檢出率。

發(fā)表于：2023/5/31 13:44:50

基于OpenMV的共享單車規(guī)范停車檢測(cè)[人工智能][智能交通]

為了解決城市中共享單車亂停亂放的問(wèn)題，提出了一種基于OpenMV的共享單車規(guī)范停車系統(tǒng)。系統(tǒng)主要由OpenMV開(kāi)發(fā)板、BC20通信定位模塊以及OneNET云服務(wù)器等組成。其中OpenMV完成對(duì)停車狀態(tài)的檢測(cè)與識(shí)別，借助BC20內(nèi)置的網(wǎng)絡(luò)模塊與OneNET云服務(wù)器進(jìn)行數(shù)據(jù)交互，并將檢測(cè)結(jié)果反饋至小程序客戶端，從而實(shí)現(xiàn)對(duì)共享單車的停車檢測(cè)和控制。系統(tǒng)通過(guò)大量的測(cè)試，實(shí)驗(yàn)結(jié)果表明系統(tǒng)運(yùn)行穩(wěn)定，識(shí)別準(zhǔn)確率為94.1%，可以實(shí)現(xiàn)共享單車的規(guī)范停車自動(dòng)檢測(cè)，具有良好的市場(chǎng)應(yīng)用前景與價(jià)值。

發(fā)表于：2023/5/31 13:34:42

基于單頁(yè)語(yǔ)義特征的垃圾網(wǎng)頁(yè)檢測(cè)[人工智能][通信網(wǎng)絡(luò)]

為解決垃圾網(wǎng)頁(yè)檢測(cè)中特征提取難度高、計(jì)算量大的問(wèn)題，提出一種僅基于當(dāng)前網(wǎng)頁(yè)的HTML腳本提取語(yǔ)義特征的方法。首先使用深度優(yōu)先搜索和動(dòng)態(tài)規(guī)劃相結(jié)合的記憶化搜索算法對(duì)域名進(jìn)行單詞切割，采用隱含狄利克雷分布提取主題詞，基于Word2Vec詞向量和詞移距離計(jì)算3個(gè)單頁(yè)語(yǔ)義相似度特征；然后將單頁(yè)語(yǔ)義相似度特征融合單頁(yè)統(tǒng)計(jì)特征，使用隨機(jī)森林等分類算法構(gòu)建分類模型進(jìn)行垃圾網(wǎng)頁(yè)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，基于單頁(yè)內(nèi)容提取語(yǔ)義特征融合單頁(yè)統(tǒng)計(jì)特征進(jìn)行分類的AUC值達(dá)到88.0%，比對(duì)照方法提高4%左右。

發(fā)表于：2023/5/31 13:29:26

基于動(dòng)態(tài)圖卷積的點(diǎn)云補(bǔ)全網(wǎng)絡(luò)[人工智能][通信網(wǎng)絡(luò)]

大多數(shù)傳統(tǒng)的深度學(xué)習(xí)點(diǎn)云補(bǔ)全學(xué)習(xí)方法僅僅使用了全局特征而忽略了局部特征，為了更好地提取和使用點(diǎn)云的局部特征，提出了一個(gè)基于深度學(xué)習(xí)的端到端點(diǎn)云補(bǔ)全網(wǎng)絡(luò)。在點(diǎn)云補(bǔ)全網(wǎng)絡(luò)（PCN）的基礎(chǔ)上，編碼部分引入針對(duì)局部特征改進(jìn)的動(dòng)態(tài)圖卷積（DGCNN），使用多個(gè)不同維度的邊卷積提取較為豐富的局部特征，并按照距離弱化遠(yuǎn)點(diǎn)的特征；然后用深度殘差網(wǎng)絡(luò)連接的思想優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)多尺度特征的融合，并加入平均池化彌補(bǔ)全局池化造成的信息損失；在解碼部分引入折疊網(wǎng)絡(luò)（FoldingNet），使輸出的點(diǎn)云更加完整。實(shí)驗(yàn)結(jié)果表明，該點(diǎn)云補(bǔ)全網(wǎng)絡(luò)相對(duì)PCN等點(diǎn)云補(bǔ)全網(wǎng)絡(luò)有部分提升，驗(yàn)證了新方法的有效性。

發(fā)表于：2023/5/31 13:24:32