排序方式: 共有51条查询结果,搜索用时 0 毫秒
1.
FaceNet人脸识别算法是目前较为主流的人脸识别算法,其运行速度快被广泛应用于工业界。针对FaceNet人脸识别网络存在对面部遮挡人脸识别精度低的问题,提出了一种融合注意力机制的FaceNet人脸识别算法。该算法在FaceNet的基础上引入GhostNet特征提取网络对人脸更好的提取人脸特征,并融合注意力机制与特征金字塔(feature pyramid networks, FPN)加强特征提取网络实现对3种尺度特征图中局部信息的放大,加强不同感受野下的特征提取,增强较为重要的特征信息。实验结果表明,提出的人脸识别算法取得了良好的识别效果,在人脸数据集(LWF)下准确率达到99.62%。对有遮挡的面部识别也取得了较好的检测结果,可准确识别存在遮挡的人脸目标。 相似文献
2.
精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。 相似文献
3.
对锅炉受热面积灰程度的有效预测,可为锅炉提升生产效率和故障预警提供重要依据。 采用清洁因子来评估受热面的
灰污沉积状况,针对其序列非线性、非平稳性的特点,提出一种基于互补集合经验模态分解与时间卷积网络的受热面积灰预测
方法。 首先,通过互补集合经验模态分解将经过小波阈值去噪处理后的原始序列分解为一组子序列分量;然后,针对不同子序
列分别构建基于时间卷积网络的时序预测模型,并优化网络超参数提升预测准确性;最后,将各 IMF 分量的预测结果叠加得出
清洁因子的预测数值。 由实验结果可得,相较于其他两种模型,预测精度分别提高 62. 1%和 57. 1%,CEEMD-TCN 模型对受热
面积灰状况预测精度最高,验证了该模型的准确性和可靠性。 相似文献
4.
5.
6.
首先,针对智能车载域控制器的多任务信息特点,提出了基于多任务网络通信的数据导出系统。该系统将任务管理所需绝对路径分解为低耦合度的子目录字段,把单文件断点续传功能扩展到多任务场景,提高数据传输效率。其次,根据行车数据存储特点提出变步长数据提取方法,利用时间戳信息实现有效数据的快速检索定位。实验结果表明,该方法实现了数据的高效传输和准确提取,证明了该方法的有效性。 相似文献
7.
针对现有装甲车辆无线测试方法难以进行多测点同步组网测试的问题,提出了一种基于WiFi-Mesh的车辆参数分布式测试方法。基于Esp32模块进行了组网节点的硬件设计;并在此基础上,对测试节点的组网任务流程、通讯数据格式及自修复功能进行了设计实现;同时,为了保证多测点间的测试时钟同步,利用TPSN算法,实现了Mesh网络的时钟同步设计。实验测试表明,构建的Mesh网络可以实现快速组网,所形成的网络拓扑结构稳定;网络中10 m距离内无遮挡的两点之间传输速率可达1.3 Mbps,时间同步的精度在1 ms之内,能够满足现场测试需求。 相似文献
8.
《现代电子技术》2019,(24)
以Freescale公司I.MX6系列的ARM处理器及Xilinx公司的Kintex_7系列FPGA为核心的硬件平台,介绍了一种通过EIM总线接口传输的ARM与FPGA之间的数据通信设计实现方法。文中简单概述了EIM总线数据通信的功能特点及异步通信的基本原理,基于Linux嵌入式操作设计完成EIM总线接口驱动代码开发,通过VHDL硬件语言配置数据通信逻辑,结合测试代码通过EIM接口对FPGA的相关寄存器进行读写测试,通过ChipScope设置信号触发,完成通信数据采集与验证。通过该通信接口的研究设计,实现ARM系统与FPGA之间的高速数据互联通信,实时性强,传输速率高。该技术已成功运用于某型多功能总线数据采集板卡设计。 相似文献
9.
锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对
系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩
余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量
之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因
子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试
验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在
2%以下。 相似文献
10.
针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出
融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。 经验模态分解可以将时间序列分解为一系
列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者
结合,增加了对于时间序列预测的准确度。 通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与
两种常用模型进行对比发现,预测精度分别提升了 67. 7%与 59. 2%,验证了该模型的可行性与有效性。 相似文献