排序方式: 共有6条查询结果,搜索用时 171 毫秒
1
1.
2.
为了实现F层参数的自动度量,为电离层短期监测提供实时可靠的数据,以MATLAB7.6.0为仿真平台,首先对F层描迹图像进行预处理去除离散噪声点;针对F层描迹常见的寻常波和非寻常波重叠的现象,根据描迹形态特征,采用基于形态学算子的骨架提取方法以及骨架分解算法提取出寻常波;利用最小二乘分离F1层和F2层;结合形态学重建、Radon变换以及图像投影方法读取参数.该方法可以实时自动读取F层主要参数并获得较好的识别率.在不考虑Es层的多次反射遮蔽情况下,实验验证了方法的可行性同时具有一定的自抗干扰能力. 相似文献
3.
随着开放课件(OCW)运动的不断发展,大规模在线开放课程(MOOC)的出现使得传统的以教为主的课堂教学,发展为以学为主的网络学堂,而MOOC与传统课堂教学相融合的混合式教学模式将成为当前教学改革的一个重要方向。本文依托Piazza在线课程问答平台、基于科研化项目式教学模式,探索性地提出了一套课堂教学多元化考核机制,为MOOC背景下的传统课堂教学改革提供了一种新思路。 相似文献
4.
1994年国家开始实施教育科研网示范工程,我国的网络教育也由此拉开了序幕,如今网络教育在我国已经有了一定的发展,虽然规模发展缓慢,但仍保持一定的上升趋势。进入二十一世纪,网络教育逐渐成为教育领域当中新的教育形式,要发展网络教育关键在于创建合理有效的网络教育平台,该文对Drupal在网络教育平台中的具体应用进行深入研究,为网络教育平台的搭建提供了有力的支持。 相似文献
5.
目的 图像内补与外推可看做根据已知区域绘制未知区域的问题,是计算机视觉领域研究热点。近年来,深度神经网络成为解决内补与外推问题的主流方法。然而,当前解决方法多分别对待内补与外推问题,导致二者难以统一处理;且模型多采用卷积神经网络(convolutional neural network,CNN)构建,受到视野局部性限制,较难绘制远距离内容。针对这两个问题,本文按照分而治之思想联合CNN与Transformer构建深度神经网络,提出图像内补与外推统一处理框架及模型。方法 将内补与外推问题的解决过程分解为“表征、预测、合成”3个部分,表征与合成采用CNN完成,充分利用其局部相关性进行图像到特征映射和特征到图像重建;核心预测由Transformer实现,充分发挥其强大的全局上下文关系建模能力,并提出掩膜自增策略迭代预测特征,降低Transformer同时预测大范围未知区域特征的难度;最后引入对抗学习提升绘制图像逼真度。结果 实验给出在多种数据集下内补与外推对比评测,结果显示本文方法各项性能指标均超越对比方法。通过消融实验发现,模型相比采用非分解方式具有更佳表现,说明分而治之思路功效显著。此外,对掩膜自增策略进行详细的实验分析,表明迭代预测方法可有效提升绘制能力。最后,探究了Transformer关键结构参数对模型性能的影响。结论 本文提出一种迭代预测统一框架解决图像内补与外推问题,相较对比方法性能更佳,并且各部分设计对性能提升均有贡献,显示了迭代预测统一框架及方法在图像内补与外推问题上的应用价值与潜力。 相似文献
6.
1