尺度适应性二代小波的图像去噪方法

根据二代小波变换的基本理论和特点,研究二代小波对图像去噪的效果。提出基于二代小波的尺度适应性分解算法,并使用改进阈值函数进行阈值分析后再对噪声图像进行去噪处理。实验结果证明,使用尺度适应性二代小波对图像去噪比其他方法具有更好的效果,去噪后的图像信噪比大大提高。     

基于小波包的柴油机振动故障诊断研究

往复式柴油机转动时产生振动是不可避免的这是由其复杂的结构和工作性质决定的,所以在柴油机故障诊断中,振动信号对于研究柴油机的振动特性和机械故障之间的内在联系起重要作用。通过从缸盖表面振动信号的小波包分解系数中提取整循环故障特征参数的方法,提取内燃机故障特征的研     

河南省农业产业化对城乡一体化的促进作用

农业产业化和城乡一体化发展是我国重要发展目标。文章根据学者以往对农业产业化和城乡一体化的研究,收集了河南省2011—2020年的相关数据,构建了农业产业化和城乡一体化的评价体系,利用熵权模糊综合评价法计算出农业产业化和城乡一体化每年的综合评分,并得出相关的线性回归结果。结果发现,农业产业化对城乡一体化发展具有正向推动作用,但这种推动作用有限,城乡一体化发展仍需社会各方面的支持。     

考虑碳排放的HOV车道综合效益评价

为科学评价高乘载（High-Occupancy Vehicle, HOV）车道对道路运行综合效益的影响,在构建考虑碳排放的HOV车道综合效益评价体系的基础上,采用熵权TOPSIS法对HOV车道综合效益进行评价,并以济南市经十路为例采用VISSIM软件对道路进行仿真,对比分析不同设置方案下HOV车道综合效益的差异性。结果表明：将公交专用道改建为HOV车道可有效降低车辆延误时间,提升平均行驶速度与断面运送人数,减少路段车辆总碳排放;不同方案的HOV车道综合效益值由高到低依次为“HOV2+”“HOV3+”“HOV4+”“无HOV”,其中HOV2+车道作为最优方案,可有效减少3%的碳排放量;随着路段流量的逐步增大,HOV车道的合乘优势更加凸显,可提升整个路段的通行效率,减少车辆和人均延误时间,这表明HOV车道建设能在一定程度上缓解交通拥堵,优化交通出行结构,对降低城市道路碳排放产生积极影响,可助推交通运输行业实现“双碳”目标。     

远洋船舶目标检测中图像分类识别研究

为准确划分远洋船舶类别,实现远洋船舶目标检测,保障海洋生态环境、海洋交通与国防安全,研究远洋船舶目标检测中图像分类识别方法。采用小波分析法,通过二维小波变换获取低频子图像、水平细节子图像、垂直细节子图像和对角细节子图像,将其作为远洋船舶图像特征;采用采用双向递归神经网络(BRNN)的深度学习方法构建分类器,将远洋船舶图像特征作为输入向量,通过递归神经网络将输入向量映射至输出向量,得到船舶目标图像分类结果。同时利用改进粒子群算法优化分类器中的权重与偏差参数,提升船舶目标图像分类精度。实验结果显示,所研究方法能够有效划分船舶目标图像类别,且划分精度高于97%。     

基于云分段最优熵算法的航行异常轨迹识别研究

海洋运输业的迅速发展对大型航运公司的船舶管理水平提出了更高要求,随着船舶数量的迅速增加,针对船舶航行异常轨迹的识别和监控技术成为了研究热点。本文对如何提高船舶航行异常轨迹的识别效果进行了研究,引入一种基于AIS和雷达的航行轨迹识别系统,基于云分段最优熵算法,实现了船舶航行异常轨迹数据的快速识别和剔除,有助于提高海上航运公司对船舶管理水平,及早发现船舶的异常航行状态并进行航线调整,防止船舶事故的发生。     

小波奇异熵改进SOM神经网络在道岔故障诊断中的应用

随着轨道交通技术的快速发展和智能算法的应用,用微机监测和人工处理的方法对道岔进行故障诊断存在效率低、及时性不够、准确性不足等问题,文章用 Meyer 小波分解原始数据,实现特征数据的选择和提取,再计算出相应的小波奇异熵作为神经网络的输入向量,加入训练数据到改进型的 SOM 神经网络中,从而实现对S700K 型转辙机的道岔故障诊断。通过提取 8 种典型的故障类型,在 MATLAB 中建立相应的模型并进行仿真,和目前普遍应用的 K-means 和 FCM 聚类算法进行时间和准确率方面的比较。仿真结果表明,在道岔故障诊断中,基于小波奇异熵和 SOM 神经网络的算法在时间和准确率方面具有明显优势。     

生态位视角下城市轨道交通建设适宜度评价

为了确保城市轨道交通建设与城市发展相匹配,结合轨道交通建设过程中的生态学特征,借鉴生态位理论,从生存维、发展维2个维度构建了城市轨道交通建设适宜度评价指标体系,并根据生态位适宜度理论,基于欧式距离法和熵权法提出了城市轨道交通建设适宜度评价方法.通过对我国27个城市的轨道交通建设适宜度进行计算和分类,深入剖析了城市轨道交...     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.