某产品TC151—2—0—0相控阵天线支架铆接变形分析

某产品天线支架试制时铆接变形较大，影响辐射器电性能指标．为此进行了工艺攻关，本文着重阐述的是对铆接变形现象及成因的分析．     

基于多层字典的自重构目标跟踪算法

针对视觉跟踪系统中常用的模板处理方法很难 适应目标外观和视频背景不断变化的不足,提出一种基于多层字典的自重构 目标跟踪算法。通过构建多层字典,分别从时间和 空间上增强目标描述能力,既可以刻画目标局部细节,又蕴含了目标整体信息;在跟踪过程 中,模板可以利 用多层字典根据前景和背景的复杂性自适应地分裂与分并,分裂出多个跟踪器从不同角度进 行跟踪,有效地 提高定位精度,也可以合并子模板以达到降低系统的计算负荷。定性和定量分析的实验结果 表明,本文算法具 有良好的跟踪精度和运行效率,可以较好地应对变化与遮挡。     

翻转课堂中的深度学习模式应用

分析深度学习理论的内涵和要求,明确翻转课堂深度学习教学模式改革的必然发展方向,阐释深度学习路线的各个阶段和教学要素,提出翻转课堂深度学习教学模式,介绍教学实践过程并总结.     

基于试探采样的自回馈目标跟踪算法

针对粒子传播过程中因欠缺观测信息而导致退化现象和异常粒子,文中提出一种基于试探采样的自反馈目标跟踪算法。该算法在当前帧完成采样后向前试探采样粒子,并且反馈到当前帧,此举是利用未来帧提前采样形式把观测信息融入到状态转移模型中,从而使概率密度分布逼近真实值。分析上下帧间粒子权值关系,舍弃异常元素,进行不完全重采样,在缓解退化问题同时保持样本集多样性。目标状态估计采用加权-最大后验准则,提高了目标跟踪精确度与稳定性。实验结果表明所提算法提高了状态空间质量,相比其他算法具有更好的跟踪性能。     

基于深度学习的大学计算机技术实验教学改革与实践

基于深度学习的理论性研究,阐述深度学习对于大学计算机技术实验教学的作用,提出通过论述情景任务巧设法、蓝墨云班课的课堂教学法、多元表征引导法、持续性教学改进等方法实施实验教学,深入探讨在教学过程中如何通过深度学习帮助学生由浅层思维向高阶思维递进,最后通过课程满意度问卷调查说明实验教学改革效果。     

翻转课堂中的深度学习模式应用

分析深度学习理论的内涵和要求,明确翻转课堂深度学习教学模式改革的必然发展方向,阐释深度学习路线的各个阶段和教学要素,提出翻转课堂深度学习教学模式,介绍教学实践过程并总结.     

FP传感器双峰级次腔长解调算法

在应用双峰法解调光纤法布里-珀罗(Fabry-Perot,FP)传感器时,由于难以准确判断干涉级次,而导致解调腔长误差明显过大。为了应对这种问题,提出一种双峰级次腔长解调算法。该算法通过跟踪传感器反射光谱中相距最远的两个波峰准确判断出所选波峰的干涉级次,然后根据单峰法精确解算出绝对腔长。由于有效消除了双峰法的干涉级次模糊,腔长解算精度显著提高。对腔长30—100 μm的FP传感器进行了仿真分析和验证实验。仿真解调误差小于0.7 nm,实验误差小于1.4 nm,解调误差远小于双峰法。     

面向语义分割模型的外接多尺度投票网络

针对语义分割领域中多尺度共享网络训练复杂度高,以及网络在小目标、长条状目标、目标边缘处拟合效果不佳的问题,提出一种新型外接多尺度投票网络。通过投票网络融合各尺度分割结果,降低网络训练复杂度,并将共享网络中的分割网络与各尺度注意力头剥离开,仅训练各尺度注意力头,以便于网络收敛。在投票网络的结构设计中,使用多类别投票方法扩大投票空间,通过融入混合池化模块聚合近程与远程权值,扩大网络感受野,缓解权值图中长条状目标拟合间断与缺失的问题。在此基础上引入类内、类间投票注意力模块获取权值及类间关系,并采用不规则卷积,改善投票权值图的边缘拟合效果。在Cityscapes数据集上的实验结果表明,相比FCN、PSPNet、DeepLabv3+分割网络,该网络的平均交并比分别提升了0.92、0.88、0.80个百分点,与共享网络相比,其训练复杂度更低,精度更高。     

基于多特征自适应融合的分类采样跟踪算法

针对目标跟踪中的场景易变和目标模板不稳定等问 题,提出了一种基于多特征自适应 融合的分类采样跟踪算法。算法利用密集特征信息将目标模板用多个重叠子区域划分,每 个子区域对应一个多特征采样窗口。利用多特征自适应融合构造强可区分性的目标模型,最 大程度地提高各子区域之间的互补性,以增强目标模板的区分能力。在粒子滤波(PF)框架下 , 多特征自适应融合策略提高了目标观测质量,保证跟踪的持续稳定。实验结果表明,本文所 提算法具 有良好的目标跟踪性能,并对动态场景、目标形变及遮挡情况具有较好的跟踪准确性和鲁棒 性。     

一种视觉跟踪中的模板更新策略

针对复杂场景中的目标外观和背景变化引起的模板 更新问题, 提出了一种新的视觉跟踪模板更新策略,用以提高目标模板正确性。算法利用特征信息在 时间和空间上的区别和变化,进行特征子量分类更新,避免了模型过更新,提高了目标模型 的容错能力,使更新带来的误差尽量小,以适应目标和背景信息的不断变化,在一定程度上 提高了跟踪算法的精准度和鲁棒性。实验结果表明,本文方法在视频跟踪系统中具有优越的 性 能,可以在目标运动、变化和遮挡情况下实现鲁棒跟踪。