基于无线传感器网络火情定位方法

现有的火情监控体系无法准确定位燃火点,预测精度低下,人流量较多的场所火情隐患尤其严重。因此,提出基于无线传感器网络火情定位方法,该火情定位方法由火情探测器、监控端和无线通信系统构成,采用火情探测器中的温度传感器和气象传感器获取火情数据,利用ZigBee无线传感网络将火情数据反馈给监控端,完成火情检测。火情探测器包括阵列传感器模块、信息管理模块和ZigBee无线通信模块,实现火情数据的获取、分析和传输。在软件设计过程中,给出温湿度采集程序的代码,并分析了基于无线传感器网络的火情定位方法,准确定位出火源位置。实验结果表明,所提方法能够准确检测到温度、湿度、烟雾信息,实现火情的准确定位。     

森林草原火情智能监测服务指标分析

构建全天候自动巡航、自动识别、自动定位、自动报警的森林草原火情智能监控服务,提升初期火情发现和辅助决策能力,实现森林草原火情"早发现、早处理",通过服务指标的形式提升森林草原火情智能监控业务质量、增强用户的使用感知。     

动力舱红外成像火情探测系统

火情探测是特种车辆灭火抑爆系统的重要组成部分,火情探测能力的高低直接影响车辆及其内部乘载员的安全。现有动力舱火情探测系统主要利用温度传感器和非成像光学火情探测器,但由于动力舱结构复杂,环境恶劣,基于温度传感器的动力舱火情探测系统由于无法实现舱内空间全覆盖安装,因此容易产生火灾漏报现象,而非成像光学火情探测器由于灵敏度过高容易产生火情误报现象,动力舱应用甚少。与现有动力舱火情探测系统不同,设计了红外成像火情探测系统,采用测温热像装置和测温显控装置,能够实现对动力舱一定目标空间内的实时温度监控,通过温度识别算法和设定预警温度阈值、报警温度阈值,实现了高温预警功能和火灾报警功能。利用标准火焰测试平台对探测系统进行了实验测试,结果表明红外成像火情探测系统的火灾响应时间小于5 s,满足国军标的要求。该系统将火灾发生后的报警提升到火灾发生前预警,能够有效避免动力舱火灾漏报问题,保护特种车辆内部人员安全。     

基于CAN总线的采棉机火情监测及灭火系统的设计与研究

针对采棉机作业过程中难以实现火情实时监测和精准报警的问题,提出一种基于CAN总线技术的采棉机火情监测方法,并对火情监测系统的硬件和软件结构进行设计。利用多信息快速传输、多节点实时监测等技术,设计火情监测系统主程序、火情信息采集和灭火处理子程序,基于LabVIEW开发人机交互界面。试验结果表明,该系统可实现信息迅速采集、多通道节点实时监测和精准报警的功能。     

基于深度神经网络的Morse码自动译码算法

在军用和民用领域,Morse电报一直是一种重要的短波通信手段,但目前的自动译码算法仍然存在准确率低、无法适应低信噪比和不稳定的信号等问题。该文引入深度学习方法构建了一个Morse码自动识别系统,神经网络模型由卷积神经网络、双向长短时记忆网络和连接时序分类层组成,结构简单,且能够实现端到端的训练。相关实验表明,该译码系统在不同信噪比、不同码速、信号出现频率漂移以及不同发报手法引起的码长偏差等情况下,均能取得较好的识别效果,性能优于传统的自动识别算法。     

反射式超精密定位智能控制系统的研究

设计了一种基于反射激光莫尔信号的超精密定位装置,系统取反射的0次激光莫尔信号为控制信号,可实现高精度位置检测及超精密自动定位。针对反射式精密定位系统存在非线性,采用基于模糊神经网络的精密定位PID控制方法,利用模糊控制的模糊推理能力与神经网络的自学习能力,将模糊控制与RBF神经网络相结合在线（online）调整HD控制...     

基于深度学习的通信信号调制方式识别

针对采用传统机器学习算法对通信信号调制识别方法中的计算复杂度高、准确率低以及人工提取特征步骤繁琐等问题,提出一种基于深度神经网络通信信号调制识别模型。模型可以直接识别经过采样之后的通信信号类别,且具有识别准确率高、通用性强、抗噪声性能好及处理流程简便等特点,有效解决了传统算法无法实现自动提取特征的缺陷。通过大量实验以及对通信信号特征的准确分析,采用卷积神经网络和循环神经网络等网络的组合设计,构建了一个识别准确率较高且端到端的通信信号识别模型。     

基于BP算法和FBG传感的复合材料冲击定位检测技术

复合材料在服役过程中易受到外部的低能量冲击,造成不可见损伤,为了监测复合材料健康状况,将光纤布喇格光栅(FBG)传感网络粘贴布置于碳纤维复合材料表面,采用基于反向传播(BP)神经网络系统的智能复合材料冲击定位识别技术,获取FBG传感的时域信号响应值,从而进行了复合材料冲击位置的预判.结果表明,BP神经网络算法具有非线性...     

应用深层卷积神经网络的交通标志识别

在实际交通环境中,由于运动模糊、背景干扰、天气条件以及拍摄视角等因素,所采集的交通标志的图像质量往往不高,这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况,提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型,直接将采集的交通标志图像经二值化后作为输入,通过卷积和池采样的多层处理,来模拟人脑感知视觉信号的层次结构,自动地提取交通标志图像的特征,最后再利用一个全连接的网络实现交通标志的识别。实验结果表明,该方法利用卷积神经网络的深度学习能力,自动地提取交通标志的特征,避免了传统的人工特征提取,有效地提高了交通标志识别的效率,具有良好的泛化能力和适应范围。     

基于支持向量机的数字调制识别算法

在非协作通信中,需要对接收的信号进行调制方式的自动识别.在高阶累积量城内构造信号识别的特征向量,采用基于二又树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面,实现对数字调制信号的自动识别.该算法不仅结构简单、计算量小,而且解决了样本在低维空间中的不可分问题,具有良好的泛化推广能力.理论分析和仿真结果证明了...