基于FPGA的脉冲神经网络模型设计与实现

现有的脉冲神经网络模型软件模拟通常具有处理速度慢、功耗高的缺点,同时利用硬件电路实现则具有开发难度大、灵活性差的缺点.为了探索合理实现脉冲神经网络模型的途径,在己有研究成果的基础上综合考虑两种方案的优缺点,提出了利用软件库模拟脉冲神经元数学模型以及网络的拓扑结构、并将网络运行时的关键计算任务以计算内核的方式交由基于OpenCL的FPGA并行计算的新思路.主要工作为:使用模块开发方式对脉冲神经网络软件开发库和OpenCL开发库进行了扩展、并将软件开发库中的重要模块重构成FPGA计算内核,使得软件开发库能够调用FPGA执行计算任务,最终达到利用两个库构建运行网络模型时能够同时满足易于开发、灵活性高、处理速度快、功耗低等要求的目的.基于MNIST图像数据集的图像分类实验表明,同一网络模型拓扑结构下,与在GPU上的软件模拟相比,提出方案的图像分类准确率并没有下降,同时以略微牺牲运行性能为代价,参考功率降低了约63.6%.     

基于SLAM的虚实配准方法研究

研究和实现了一种基于SLAM技术的虚实配准方法,通过将SLAM分离为定位和构图,分别利用改进的pf做位姿估计和ukf进行位置估计,进而实现整个场景内目标的位姿计算,最终完成虚实配准。一定程度上解决了传统方法中存在的视域受限问题,并同时支持户内和户外应用,提高了增强现实系统的可用性。     

一种改进的图像相似度算法

图像相似度算法在图像识别、图像搜素引擎等研究领域具有重要意义。针对传统的灰度颜色直方图算法无法准确地描述各种颜色在图像中的分布情况的问题,提出了一种改进的图像相似度算法。它融合图像的纹理特征,利用灰度共生矩阵来提取图像像素在图像各个位置的特征信息。实验表明,这种融合图像纹理特征的方法不仅保留了灰度颜色直方图算法执行效率高的特点,而且弥补了颜色直方图算法的不足,进而提高了算法的准确性。在实际的应用场景中,可以通过调整两种算法的权值,来进一步提高算法的准确性。     

MR智能阻尼器试验研究及径向基网络模型

制作了MR智能阻尼器，并在不同的位移，速度和电流输入情况下，对自制的MR智能阻尼器进行了性能试验研究，建立了MR智能阻尼器的径向基函数网络模型。结果表明：神经网络模型能精确的描述阻尼器正向和逆向工作特性，并且对液体沉降、液体磁响应时间、蓄能器刚度等因素的影响也能很好的解决。     

基于分布式数据库的税务稽查档案管理系统的设计

以一个税务稽查管理系统的设计实例来描述一种设计方法。在该案例中,使用分布式数据库系统来管理地理位置上分散的数据,自建一种可活动的结构来管理数据,并建立友好的用户接口。为了提高软件效率、减少网络传输量和提高软件响应速度,使用了多种优化技术,如层次查询和数据缓存。     

基子视频图像的在线测量技术的研究

在线测量技术在冶金行业中得到了越来越多地应用，本文针对槽钢长度在线测量的主要实现技术进行了研究和模拟仿真，并提出了一种基于视频图像的在线测量运动槽钢长度的方法。该方法利用图像采集卡捕捉两张不同时刻的图像，经过中值滤波预处理后进行图像减法确定槽钢的运动区域，然后根据运动区域得到槽钢的灰度值范围，接着对图像进行阈值分割，最后利用分割的图像计算出槽钢的长度。     

轨道模拟盘的研制

采用C＋＋的类对象对递归算法进行改进，提出了一种基于C＋＋类对象递归带启发的深度优先搜索算法，并将其应用于轨道模拟盘软件的研制上。     

基于孪生网络的车牌检测与跟踪算法

针对交通监控视频场景下车牌检测性能较低的问题,提出一种车牌检测与跟踪框架.为进一步改善面向监控视频中的车牌检测,一种合理的方法是利用相邻帧之间的上下文信息.通过车辆跟踪,间接为视频序列中的每个车牌分配一个唯一的ID.基于此扩展当前最先进的车牌检测模型,进一步提高检测性能.提出一种具有深度特征的孪生网络目标跟踪算法实现稳...     

一种基于分块匹配的SIFT算法

SIFT算法在图像处理领域具有独特的优势,但是经过不断发展,SIFT算法在特征匹配过程中仍然具有数据处理量大、计算速度慢的问题.基于这些问题,提出了一种基于分块匹配的新型SIFT匹配算法,它通过剔除非重叠区域来降低特征提取和匹配的时间损耗.对于图像的刚性变换,算法的核心在于图像块的切分和重叠区域的计算,首先选取少量的种子点来估算两幅图像的相关变换矩阵;然后将原始图像切分为几块,通过变换矩阵找出在匹配图中的相关块;再检测所有的匹配块上的特征点;最后结合RANSAC算法去除伪匹配点对,来提高匹配的准确率.实验结果表明:与标准SIFT算法相比,基于分块匹配的SIFT算法在实时性和鲁棒性方面得到了进一步的提升,在实际图像匹配中具有一定的应用价值.     

基于多特征组合的细粒度图像分类方法

针对单一特征表示的局限性会导致细粒度图像分类准确度不高的问题,提出了一种基于卷积神经网络（CNN）和尺度不变特征转换（SIFT）的多特征组合表示方法,综合考虑对目标整体、关键部位和关键点的特征提取。首先,分别以细粒度图像库中的目标整体和头部区域训练CNN得到两个网络模型,用来提取目标的整体和头部CNN特征;然后,对图像库中所有目标区域提取SIFT关键点并通过K均值（K-means）聚类生成码本,再将每个目标区域的SIFT描述子通过局部特征聚合描述符（VLAD）参照码本编码为特征向量;最后,组合多种特征作为最终的特征表示,采用支持向量机（SVM）对细粒度图像进行分类。使用该方法在CUB-200-2011数据库上进行实验,并与单一的特征表示方法进行了比较。实验结果表明,该方法与基于单一CNN特征的细粒度图像分类相比提升了13.31%的准确度,证明了多特征组合对细粒度图像分类的积极作用。