排序方式: 共有23条查询结果,搜索用时 62 毫秒
1.
文章介绍了传感器状态诊断的重要性,分析了能够间接反映传感器状态的参数,介绍了人工神经网络的基本知识。在Matlab环境下,研究利用BP网络识别传感器状态曲线中快速劣化的方法。经过仿真分析,能够达到状态监测的目的。 相似文献
2.
一种新的动态网页程序的防篡改系统 总被引:1,自引:0,他引:1
动态网页技术越来越多地应用于互联网,确保动态网页脚本的安全性的需求与日俱增,该文实现了一种新的基于脆弱性数字水印技术的动态网页应用程序防篡改系统,阐明了能够应用在动态网页防篡改系统中的脆弱性数字水印提取算法应该具有的特性,评估了系统运行的效率,证明了该系统嵌入水印和检测水印的过程的高效性,还对比证明了该系统相对于入侵检测系统有着更广泛的保护范围。 相似文献
3.
保密通信中混沌遮掩法的实验方案研究 总被引:2,自引:0,他引:2
提出由一阶时延微分方程这的无限维浊系统,在结构上易于实现。本文将有信号直接输入该系统以实现保密通信,理论推导和实验结果均表明在经历很短的过渡时间后,接收端和发射端能很快同步。本文的模型在很大参数范围内都能产生混沌,因此具有良好的保密性。 相似文献
4.
在跳频通信的研究中,针对实现实时跳频跟踪干扰问题,跳频预测干扰是通信电子战中跳频干扰中一项有效的技术.传统的跳频预测干扰的跟踪模型是跳频码序列预测.跳频码序列预测技术在处理实际的跳频通信码序列时实时性差,命中率并不高.为解决上述问题,提出了改进的跟踪模型,跳频同步频率集预测.同时还建立了更客观的新的预测性能评价标准模型.进行仿真的结果表明,与跳频码序列预测相比,跳频同步频率集预测有更高的实时性,使跳频预测提高了跳频跟踪干扰的效率. 相似文献
5.
一般的跳频码序列预测研究是建立在理论跳频码序列模型上,通过证明该模型是混沌的,然后利用混沌时间序列预测技术对它进行预测。为了分析跳频码序列预测的性能,引入了实际的跳频通信系统跳频码序列模型,并指出跳频码序列是由混沌的信息跳序列和周期性的同步跳序列构成。在理论分析的基础上,对跳频码序列预测进行了仿真。结果表明了跳频码序列混沌预测在没有同步跳时能取得较高命中率,但在有同步跳的情况下,命中率不高,因此在实际应用中有很大局限性。 相似文献
6.
深度卷积神经网络在计算机视觉中的应用研究综述 总被引:13,自引:0,他引:13
随着大数据时代的到来,含更多
隐含层的深度卷积神经网络(Convolutional neural networks, CNNs)具有更复杂的网络结构,与传统机器学习方法相比具有更强大的特征学习和特征表达能力。使用深度学习算法训练的卷积神经网络模型自提出以来在计算机视觉领域的多个大规模识别任务上取得了令人瞩目的
成绩。本文首先简要介绍深度学习和卷积神经网络的兴起与展,概述卷积神经网络的基本模型结构、卷积特征提取和池化操作。然后综述了基于深度学习的卷积神经网络模型在图像分类、物体检测、姿态估计、图像分割和人脸识别等多个计算机视觉应用领域中的研究现状
和发展趋势,主要从典型的网络结构的构建、训练方法和性能表现3个方面进行介绍。最后对目前研究中存在的一些问题进行简要的总结和讨论,并展望未来发展的新方向。 相似文献
7.
8.
近年来,深度学习在计算机视觉各个领域中的应用成效显著,新的深度学习方法和深度神经网络模型不断涌现,算法性能被不断刷新.本文着眼于2016年以来的一些典型网络和模型,对基于深度学习的计算机视觉研究新进展进行综述.首先总结了针对图像分类的主流深度神经网络模型,包括标准模型及轻量化模型等;然后总结了针对不同计算机视觉领域的主... 相似文献
9.
为了了解食物与抑郁症关系的研究现况,作者确定检索词优化后用于Web of Science数据库Topic检索。在线分析文献一般特征,CiteSpace软件分析网络聚类共现特征,描述性分析关键文献。2020年文献大幅增长;发表最多的期刊为食品类,国家为美国、英国、澳大利亚、加拿大和中国,学科以精神病学、营养与食品学为主。前沿关键词包括food addiction、gut microbiota、food insecurity等,不同引文聚类之间有此消彼长现象。抑郁症风险因素包括炎症饮食、进食障碍、超重、代谢综合征和COVID-19等,压倒性结论为健康饮食对抑郁症有正面影响。发达国家在本领域领先,创伤性大事件推动了研究进展。研究前沿为食物成瘾、食物不安全和肠菌。研究范式从狭窄视角向宏观转移,饮食有望成为重要的抑郁症干预措施。 相似文献
10.
基于信息熵的蚁群聚类改进方法研究 总被引:1,自引:0,他引:1
从模仿蚂蚁堆积尸体的基本模型出发,可以实现蚁群聚类算法.研究了实现基本蚁群算法以及基于信息熵的蚁群聚类算法的关键方法,测试并验证了算法的有效性.同时,在比较其性能的基础上,主要针对基于信息熵的蚁群聚类算法收敛速度快,但却容易陷入局部最优的缺陷,从聚类拆分、合并、孤立点处理等几个方面对基于信息熵的蚁群聚类算法进行了改进,从而在利用其收敛速度快的基础上提高聚类的准确性.仿真实验表明:改进后的方法在聚类的准确性和收敛速度方面都得到了很好的结果,对基于信息熵的蚁群居类算法优化提供了比较好的应用改进. 相似文献