排序方式: 共有24条查询结果,搜索用时 27 毫秒
1.
2.
在机场向数字化运营的转型过程中,为了实现航站楼内高效的运作以及资源的合理分配,从而对短时段的值机客流量的预测提出了更高的要求。通过对机场历史数据的统计和分析,结合航班的DOW特性,分析值机客流量的相关影响因素,以每小时的值机客流量为研究对象,构建基于时间序列的动态回归ARIMAX模型。实验结果表明,上述模型相对于传统的预测模型,预测精度更高,拟合效果更精确,有效地预测了航站楼内短时段的值机旅客人数,为航站楼内资源的动态分配和优化提供了不可或缺的决策支持。 相似文献
3.
4.
排班问题是现实生活中的常见问题.从国内某货航实际情况出发,提出了一种初步排班流程.首先采用线性规划建立班制,再依据班制用贪心算法构建班制串矩阵,以回溯方法将具体班填入班制串,进行微调后完成排班.实验表明了排班方法的合理性. 相似文献
5.
目的 散焦模糊检测致力于区分图像中的清晰与模糊像素,广泛应用于诸多领域,是计算机视觉中的重要研究方向。待检测图像含复杂场景时,现有的散焦模糊检测方法存在精度不够高、检测结果边界不完整等问题。本文提出一种由粗到精的多尺度散焦模糊检测网络,通过融合不同尺度下图像的多层卷积特征提高散焦模糊的检测精度。方法 将图像缩放至不同尺度,使用卷积神经网络从每个尺度下的图像中提取多层卷积特征,并使用卷积层融合不同尺度图像对应层的特征;使用卷积长短时记忆(convolutional long-short term memory,Conv-LSTM)层自顶向下地整合不同尺度的模糊特征,同时生成对应尺度的模糊检测图,以这种方式将深层的语义信息逐步传递至浅层网络;在此过程中,将深浅层特征联合,利用浅层特征细化深一层的模糊检测结果;使用卷积层将多尺度检测结果融合得到最终结果。本文在网络训练过程中使用了多层监督策略确保每个Conv-LSTM层都能达到最优。结果 在DUT (Dalian University of Technology)和CUHK (The Chinese University of Hong Kong)两个公共的模糊检测数据集上进行训练和测试,对比了包括当前最好的模糊检测算法BTBCRL (bottom-top-bottom network with cascaded defocus blur detection map residual learning),DeFusionNet (defocus blur detection network via recurrently fusing and refining multi-scale deep features)和DHDE (multi-scale deep and hand-crafted features for defocus estimation)等10种算法。实验结果表明:在DUT数据集上,本文模型相比于DeFusionNet模型,MAE (mean absolute error)值降低了38.8%,F0.3值提高了5.4%;在CUHK数据集上,相比于LBP (local binary pattern)算法,MAE值降低了36.7%,F0.3值提高了9.7%。通过实验对比,充分验证了本文提出的散焦模糊检测模型的有效性。结论 本文提出的由粗到精的多尺度散焦模糊检测方法,通过融合不同尺度图像的特征,以及使用卷积长短时记忆层自顶向下地整合深层的语义信息和浅层的细节信息,使得模型在不同的图像场景中能得到更加准确的散焦模糊检测结果。 相似文献
6.
地理信息系统(GIS)技术是ADS显示系统在空中交通管制飞机动态航迹跟踪、最低安全高度告警及冲突预测方面的应用,具有一定的参考价值。 相似文献
7.
VFP环境下统计图绘制方法研究 总被引:1,自引:0,他引:1
给出了在VFP中绘制统计图的几种方法,比较了他们各自的优点和不足,讨论了这几种方法的图形打印技术。 相似文献
8.
9.
10.