基于三维技术的发电机组监测系统的开发

介绍了某型发电机组监测系统的设计,着重阐述了Direct3D技术在发电机组的三维仿真中的应用.提出一种基于判别投影原点与鼠标点击点形成的射线,与三维仿真模型是否存在交点来实现模型拾取的方法,探讨了射线与三角形、球体以及长方体相交的判别实现.研究发现,当模型采用长方体或球体近似描述时,本方法具有计算量小、拾取准确率高的优点.实际应用表明,运用Direct3D技术开发的发电机组监测系统具有良好的交互性和实用性.     

基于中文分词的文本自动校对算法

中文文本自动校对是自然语言处理领域中有着广阔应用前景的一个研究方向.依据中文分词的结果以及常见错误的特点,结合三元字模型的特点,提出了一种有效的文本校对方法,实验表明,该方法具有较高的准确率和召回率.     

基于图像处理的车距测量算法

针对公路上行驶的汽车,驾驶员由于种种原因很难判定车距而造成汽车相撞的问题,提出了一种基于图像处理的车距测量算法.运用双目视感系统采集车辆前方实时图像,通过模板匹配对采集到的图像进行前方车辆识别,在确认有车辆后运用视差原理进行车距计算.实验表明,该算法运算周期小于30 ms,识别准确率高达99％,在200 m视距内距离检...     

基于改进的FAST R-CNN的前方车辆检测研究

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题。在这种背景下,使用深度学习的方法检测前方车辆更为有效。首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆。已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题。而且,与先提取Harr-Like特征然后利用Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能。结果表明,该方法提高了车辆检测的准确性和鲁棒性。     

多标签分类器准确性评估方法的研究

分类是数据挖掘领域研究的核心技术之一,分类器性能评估方法也是众多学者的研究热点之一。以往的分类器性能评估方法一般针对于单标签数据集,对于多标签问题并未涉及。文中主要针对多标签分类问题中的单实例情况,提出了一种多标签分类器准确性评估方法（EMOSIML）。该方法的思路是：如果分类器对一个多标签对象预测的类别标签是其属于的多个类别标签中的任何一个,则分类结果都是正确的。该方法用C#编程实现,并对朴素贝叶斯分类器进行分类器性能评估实验,实验结果表明,EMOSIML评估方法较传统的准确率评估方法更合理。     

一种适应低信噪比的脉内识别算法

针对传统的雷达信号脉内调制类型在低信噪比下识别能力不高的局限性,提出一种改进的适应低信噪比的信号调制类型分类识别算法。该算法对雷达脉冲信号流进行时间和脉宽格子划分,对同一格子中脉冲信号采用一阶差分自相关函数法计算特征向量,根据特征向量值进行聚类统计分类。分类后对每组内脉冲信号进行平方处理,再次计算特征向量并进行聚类统计分类,选择每组内质量较好的脉冲信号进行调制类型识别,提高了信号分类识别正确率,通过仿真实验验证了该方法的有效性。     

通过Boosting改进基于EP的分类器

显露模式(EP)是支持度从一个数据集到另一个数据集显著提高的项集. EP具有很强的区分能力,可以建立很好的分类器.提出了一种通过Boosting改进基于EP的分类器的算法BoostEP. BoostEP使用Boosting技术建立多个基于EP的基分类器形成组合分类器,并对每个基分类器预测加权投票得到未知样本的类标号.在UCI机器学习数据库的21个基准数据集上的实验表明,BoostEP的分类准确率足以与NB,C4.5,CBA和CAEP等优秀分类法相媲美.     

汽车综合报警器性能检测系统设计

本文介绍了以工控机为核心的汽车综合报警器检测系统的设计方法.重点研究了如何模拟汽车车灯、点火锁、安全带提示、车门开关、气压过低、水压过低等传送给汽车综合报警器信号的方法,详细阐述了检测控制电路和串联电阻网络的设计方法.该检测系统的试用效果表明,大大提高了综合报警器的检测效率及准确率.     

提高设备钢丝绳缺陷检测定位准确率

钢丝绳作为相关设备的“生命线”,在使用过程中始终潜伏着因强度损耗而发生断绳事故的危险,必须采用合适的检测技术进行检测,以保证设备的运行安全。钢丝绳检测设备作为钢丝绳状态检测的重要设备,其缺陷检测定位准确率直接影响后续的人工核查效率。为了改善缺陷定位准确率,对影响缺陷定位准确率的因素进行分析并采取对策。     

基于准确率爬坡的动态加权集成分类算法

传统集成分类算法中,一般将集成数目设置为固定值,这可能会导致较低分类准确率。针对这一问题,提出了准确率爬坡集成分类算法（C-ECA）。首先,该算法不再用一些基分类器去替换相同数量的表现最差的基分类器,而是基于准确率对基分类器进行更新,然后确定最佳集成数目。其次,在C-ECA的基础上提出了基于爬坡的动态加权集成分类算法（C-DWECA）。该算法提出了一个加权函数,其在具有不同特征的数据流上训练基分类器时,可以获得基分类器的最佳权值,从而提升集成分类器的性能。最后,为了能更早地检测到概念漂移并提高最终精度,采用了快速霍夫丁漂移检测方法（FHDDM）。实验结果表明C-DWECA的准确率最高可达到97.44%,并且该算法的平均准确率比自适应多样性的在线增强（ADOB）算法提升了40%左右,也优于杠杆装袋（LevBag）、自适应随机森林（ARF）等其他对比算法。