排序方式: 共有28条查询结果,搜索用时 31 毫秒
1.
2.
本文为研究在动态压荷载作用下,混凝土力学破坏特征受含水率的影响规律,通过开展室内试验,利用霍普金森压杆(SHPB)试验系统与含水率控制法,分析了不同含水率混凝土试样的动态力学参数变化特征,并引入块度分析法与分形理论,探究了受动载混凝土试样的破坏特征随含水率的变化规律。研究表明:在不同应变率下,随着含水率增大混凝土试样的动态峰值应力与动态弹性模量逐渐减小,试样动态峰值应变增大;含水率会对混凝土试样造成损伤劣化,随着含水率增大,试样破碎块度粒逐渐减小,且在105. 93s~(-1)中高应变率下含水率的影响效果最大;混凝土试样破碎体的分形维数特征表现出与块度分布相似规律,动压荷载作用下,碎体分形维数D随含水率增大而减小,且在应变率105. 93s~(-1)时分形维数D受含水率的影响最明显。 相似文献
3.
在图像增强处理中,传统的图像增强方法例如直方图均衡、小波系数增强等等,虽然取得了较好的图像增强效果,但在增强图像的同时也将噪声放大了.本文针对这一问题,提出了一种基于二维双树复小波变换的图像增强方法,因其具有良好的多方向性信息捕捉能力,克服了传统二维小波变换缺乏方向性的缺点.增强算法将系数分为强边缘、弱边缘和噪声点三类... 相似文献
4.
如何在视角对齐关系错位时有效进行非对齐多视角学习是一类新的挑战性问题。针对这一问题,提出面向视角非对齐数据的多视角聚类方法。一方面,为了捕获多视角异构特征的跨视角相似度信息,基于多视角非负矩阵分解进行表示学习,将原始特征嵌入一个可度量的低维同构空间。另一方面,在低维同构空间中,以二部图最优匹配模型建模视角对齐关系,并提出参考视角概念将模型推广至多视角情形。将表示学习和视角对齐关系学习整合到统一的Bi-level优化框架,使其在迭代中相互促进,进一步提高模型对视角非对齐数据的学习能力。在视角非对齐数据聚类应用上的大量实验结果表明,相比于8种先进的多视角聚类方法,所提方法在3个数据集上的多项性能指标均取得了较优的性能。 相似文献
5.
6.
为了解决唇语识别中唇部特征提取和时序关系识别存在的问题,提出了一种双向长短时记忆网络(BiLSTM)和注意力机制(Attention Mechanism)相结合的深度学习模型。首先将唇部20个关键点得到的唇部不同位置的高度和宽度作为唇部的特征,使用BiLSTM对唇部特征序列进行时序编码,然后利用注意力机制来发掘不同时刻唇部时序特征对于整体唇语识别的不同权重,最后利用Softmax进行分类。在公开的唇语识别数据集GRID和MIRACL-VC上与传统的唇语识别模型进行实验对比。在GRID数据集上准确率至少提高了13.4%,在MIRACL-VC单词数据集上准确率至少提高了15.3%,短语数据集上准确率至少提高了9.2%。同时还与其他编码模型进行了实验对比,实验结果表明该模型能有效地提高唇语识别的准确率。 相似文献
7.
特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。 相似文献
8.
针对数字图像在获取过程中动态范围容易产生线性压缩,导致图像的对比度较低的问题,提出一种照度分割下的多尺度增强算法。根据韦伯定律,将图像分成不同的照度区域分别增强。新算法在区域增强上,提出多尺度下差分图像的自适应权重和来实现,再将不同区域的增强图像线性融合;在尺度的选择上,通过分析尺度在所提方法下对于增强图像的影响特性,对各照度区域选取不同的尺度组合。本文给出了该算法与其他算法的对比效果和评价指标。实验结果表明,该算法在对比度提升的同时,还起到一定的锐化作用,具有良好的增强效果。 相似文献
9.
“双碳”目标的提出,加快了各个国家能源结构的调整。我国也在逐步构建以清洁能源为主体的新型电力系统。小水电在历史的进程以及未来的发展中,都占据着不可替代的地位。本文主要对我国小水电的发展现状、“双碳”目标下所带来的机遇以及对小水电未来前景分析进行展开论述,以期小水电在我国水电行业的战略定位有借鉴作用。 相似文献
10.
针对现有基于深度强化学习(deep reinforcement learning, DRL)的分层导航方法在包含长廊、死角等结构的复杂环境下导航效果不佳的问题,提出一种基于option-based分层深度强化学习(hierarchical deep reinforcement learning,HDRL)的移动机器人导航方法.该方法的模型框架分为高层和低层两部分,其中低层的避障和目标驱动控制模型分别实现避障和目标接近两种行为策略,高层的行为选择模型可自动学习稳定、可靠的行为选择策略,从而有效避免对人为设计调控规则的依赖.此外,所提出方法通过对避障控制模型进行优化训练,使学习到的避障策略更加适用于复杂环境下的导航任务.在与现有DRL方法的对比实验中,所提出方法在全部仿真测试环境中均取得最高的导航成功率,同时在其他指标上也具有整体优势,表明所提出方法可有效解决复杂环境下导航效果不佳的问题,且具有较强的泛化能力.此外,真实环境下的测试进一步验证了所提出方法的潜在应用价值. 相似文献