排序方式: 共有18条查询结果,搜索用时 15 毫秒
1.
本文阐述了数字录像机误码的原因,说明了在实际使用,保养和维修数字录像机过程中经常遇到的与误码有关的因素及解决途径。 相似文献
2.
刘腊梅 《重庆科技学院学报(社会科学版)》2010,(12):198-199
成人常常渴望从对经验的推理当中去获取重要的信息,来达到准确把握语篇信息的目的.在成人英语教学中,推行"自上而下"的信息加工模式.采用整体教学法,激活学习者的形式图式可以对知识的预测提供可靠的方向.锤炼他们的逻辑思维,帮助他们从整体上把握语篇的全貌,抓住重要信息. 相似文献
3.
激励信号类型与周期选取是影响瞬变电磁法(TEM)系统检测能力的重要因素。利用时域有限元积分方法对不同激励信号进行仿真,通过发射线圈磁场分布特性与同等深度处磁聚焦效果的对比、分析,确定激励信号类型;根据探测深度与灵敏度依赖于激励信号周期的特性,确定激励信号的最小周期。以此周期为下限,在不同周期下进行仿真,得到接收线圈回波信号变化图与同等深度处的磁通量变化曲线图,对比分析,最终确定周期为500 ms的矩形脉冲作为激励信号较为合适,更有利于磁场能量聚焦与传播的深度。最后对不同厚度的钢板进行仿真,分析回波信号与钢板厚度的关系,为实际瞬变电磁探测系统设计提供理论依据。 相似文献
4.
针对编解码语义分割网络计算量大、解码结构复杂的问题,提出一种高效无解码的二值语义分割模型DFNet。该模型首先去除主流分割网络中复杂的解码结构和跳跃连接,采用卷积重塑上采样方法重塑特征编码直接得到分割结果,简化网络模型结构;其次在编码器中融合轻量双重注意力机制EC&SA,提高特征编码的通道及空间信息交互,增强网络的编码能力;最后使用PolyCE损失替代常规分割损失,解决正负样本不均衡问题,提高模型的分割精度。在DeepGlobe道路分割和CrackForest缺陷检测等二值分割数据集上的实验结果表明,本文模型的分割精度F1均值和IoU均值分别达到84.69%和73.95%,且分割速度高达94 FPS,远超主流语义分割模型,极大地提高了分割任务效率。 相似文献
5.
为了降低材料的二次电子发射系数,本文对高导电无氧铜(OFHC,简称无氧铜)进行离子束表面改性处理,并研究其最优工艺条件,重点考查了温度、时间等工艺参数对表面形貌以及二次电子发射系数(δ)的影响。利用扫描电镜、能谱仪等对表面形貌及成分进行分析并在此基础上对改性后样品的表面形貌形成机理进行了初步探讨。实验得出最佳工艺为:在600℃下离子束改性处理1 h。该参数下处理的无氧铜样品的二次电子发射系数降低63.5%。 相似文献
6.
实测了阳极铜的力学性能参数,用CAD软件建立铣削展开后模型,并将模型导入DEFORM-3D软件对铣削速度、进给量进行仿真研究,根据仿真结果对切削参数进行优化处理,并将其应用于生产实际。实践证明:通过此种方式,不仅节省铣削参数实践验证时间,而且降低了生产成本。 相似文献
7.
根据TK6516数控刨台式铣镗床在实际生产过程中的X坐标丝杠定位误差,采取理论与实践相结合的方法,对X向丝杠进行定位误差分析补偿,为同类机床的热误差补偿提供了理论和实践依据. 相似文献
8.
9.
目的 为了解决基于卷积神经网络的算法对高光谱图像小样本分类精度较低、模型结构复杂和计算量大的问题,提出了一种变维卷积神经网络。方法 变维卷积神经网络对高光谱分类过程可根据内部特征图维度的变化分为空—谱信息融合、降维、混合特征提取与空—谱联合分类的过程。这种变维结构通过改变特征映射的维度,简化了网络结构并减少了计算量,并通过对空—谱信息的充分提取提高了卷积神经网络对小样本高光谱图像分类的精度。结果 实验分为变维卷积神经网络的性能分析实验与分类性能对比实验,所用的数据集为Indian Pines和Pavia University Scene数据集。通过实验可知,变维卷积神经网络对高光谱小样本可取得较高的分类精度,在Indian Pines和Pavia University Scene数据集上的总体分类精度分别为87.87%和98.18%,与其他分类算法对比有较明显的性能优势。结论 实验结果表明,合理的参数优化可有效提高变维卷积神经网络的分类精度,这种变维模型可较大程度提高对高光谱图像中小样本数据的分类性能,并可进一步推广到其他与高光谱图像相关的深度学习分类模型中。 相似文献
10.
针对机器学习模型对音乐流派特征识别能力较弱的问题,提出了一种基于深度卷积神经网络的音乐流派识别(DCNN-MGR)模型。该模型首先通过快速傅里叶变换提取音频信息,生成可以输入DCNN的频谱并切割生成频谱切片。然后通过融合带泄露整流(Leaky ReLU)函数、双曲正切(Tanh)函数和Softplus分类器对AlexNet进行增强。其次将生成的频谱切片输入增强的AlexNet进行多批次的训练与验证,提取并学习音乐特征,得到可以有效分辨音乐特征的网络模型。最后使用输出模型进行音乐流派识别测试。实验结果表明,增强的AlexNet在音乐特征识别准确率和网络收敛效果上明显优于AlexNet及其他常用的DCNN、DCNN-MGR模型在音乐流派识别准确率上比其他机器学习模型提升了4%~20%。 相似文献