排序方式: 共有50条查询结果,搜索用时 15 毫秒
1.
为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。 相似文献
3.
针对轮腿式壁面清洗机器人作业时对吸附力的要求以及吸附系统部分组件相对机器人本体旋转的问题,采用模块化设计方法,研究了真空耦合传递系统,分析了其构成与负压同步分配器截面形状。为满足相对机器人静止的真空发生器和转动吸盘的连接要求,根据分配头不同截面形状提出负压同步分配器3种方案,并分析了分别采用不同方案的机器人特性。研究结果为机器人在平直壁面、球形或柱形等曲面上的可靠吸附与运动提供基础和保证。 相似文献
4.
5.
在一维炉上对煤粉再燃过程中烟气内主要气体体积分数随再燃区初始氧体积分数的变化规律进行了研究.再燃温度为1 273 K时,脱硝效率及H2、CO体积分数曲线随再燃区氧体积分数升高均呈不规则"M"型.脱硝效率与H2体积分数出现峰值时的氧体积分数一致,CO体积分数峰值处的氧体积分数高一些.脱硝效率及H2、CO体积分数的第一次下降是由气相着火引起的.氧体积分数进一步上升时,煤焦被气相燃烧热引燃,颗粒温度的大幅跃升促使异相脱硝反应增强,脱硝效率及H2、CO、CH4体积分数再次上升.氧体积分数更高时煤焦燃烧开始受扩散控制,火焰自焦表面外移,颗粒升温趋缓,能够到达焦表面的氧气减少,必须有氧参与的异相还原反应减弱,脱硝效率再次下降.再燃温度更高时,脱硝效率及H2、CO体积分数的变化趋势与1 273 K时基本类似,但稍平缓. 相似文献
6.
采用实验研究了煤粉再燃过程中停留时间与氧浓度影响脱硝效率的依赖关系,发现最佳停留时间与煤粉着火状态有直接关联。在再燃温度及氧浓度较低时,煤粉尚未着火,同相脱硝作用在整个脱硝反应中占优,最佳停留时间与烟气中碳氢化合物的消耗速率有关。随着再燃区氧浓度进一步上升,挥发分着火,大量挥发分被燃烧反应消耗掉,最佳停留时间与挥发分着火时间基本吻合,过多延长停留时间对脱硝没有实际意义。氧浓度更高时煤焦被挥发分的燃烧热引燃,颗粒大幅升温,煤焦的异相脱硝作用在总体脱硝作用中开始占优,并随停留时间延长持续上升,此时最佳停留时间的确定应与煤粉燃尽一起来考虑。 相似文献
7.
8.
脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。 相似文献
9.
为了减轻卷积神经网络模型对训练样本的依赖性 和提高高光谱图像的分类性能,本 文提出了一种融合Gabor滤波与3D/2D卷积的高光谱图像分类算法。首先,三维Gabor滤 波器用于处理原始高光谱数据以生成空谱隧道信息;其次,利用三维卷积操作提取生成的 空谱隧道信息的深层特征;然后,再利用二维卷积进一步提取图像的空间信息;最后,通 过Softmax分类器完成高光谱图像分类。为验证模型性能,将提出的方法与CNN、2D- CNN、3D-CNN-LR、SSRN算法在Indian Pines、Pavia University、Salinas数据集上进行 对 比实验。实验结果表明,提出的方法在三个数据集上的总体识别精度分别达到99.51%、99.94%、99.99%,均高于其 他方法,能够有效提高分类性能,是一种简单而高效的高光谱图像分类算法。 相似文献
10.
为了解决当前图像匹配算法主要是通过像素点间的距离信息来实现特征匹配,忽略了图像间的方差信息,导致匹配结果中存在较多的错误匹配等不足,本文提出了一种基于拉普拉斯特征制约与方差度量的图像匹配方法。首先,引入Harris算子,对图像特征进行粗提取,并利用像素点的拉普拉斯特征,删除伪特征点,对粗提取的图像特征进行优化,获取更为准确的图像特征。然后,依据图像的梯度特征来计算图像特征的方向信息,以此建立特征点的邻域,通过求取该范围内的Haar小波值,从而得到特征向量。采用区域方差模型对图像的方差信息实施度量,并联合特征点的欧氏距离,对特征点进行更为准确的匹配。最后,采用随机样本一致性(RANSAC)机制对特征匹配结果实施优化,剔除其中的错误匹配,从而完成图像匹配。实验结果显示:较当前较为先进的匹配算法而言,在旋转、缩放等几何变换干扰下,所提算法具备更高的匹配准确率,维持在90%以上。 相似文献