舰载云图像识别性能研究

深度学习的兴起促进了各个电子科技行业的迅速发展,军事科学的智能应用也得到了极大的推广。舰载云环境基于单只舰船,为舰载智能应用提供算力、网络资源和存储支持。深度学习任务依赖强大的计算资源,相同的智能模型在不同的计算平台中性能可能出现巨大差异。在自主可控的大背景下,本文基于深度学习中的典型图像识别任务,对比使用国产和商用计算平台中舰载云上不同配置的虚拟机的表现性能。一方面,分析不同的虚拟机配置与表现性能的关系;另一方面,对比商用及国产平台的性能差距,为舰载云智能化的大规模应用提供理论支撑。     

基于全局位置精度损失最小化的路侧多传感器目标关联匹配方法

针对路侧单传感器存在感知盲区、多传感器协同感知存在大量冗余信息且位置精度较差、车辆位姿准确值无法在线获取等问题,提出一种基于全局位置精度损失最小化的路侧多传感器目标关联匹配方法.首先,根据各传感器历史数据,以方差最小化为优化目标进行多传感器权重分配;然后,基于级联KM匹配算法处理多传感器存在大量冗余信息的目标级数据,实...     

基于改进YOLOv5的小目标交通标志检测算法

针对小目标交通标志检测精度低的问题,提出基于改进YOLOv5的小目标交通标志检测算法。优化YOLOv5的主干网络结构,采用微小目标检测层替换原始大目标检测层,调整下采样倍数,将MobileViT Block融入颈部网络,采用离线增强与在线增强的方法对数据集进行处理。实验结果表明：与其他目标检测算法相比,改进算法的小目标交通标志检测均值平均精度为85.3%,参数量降低了39%,FPS为70,满足实时检测的要求。     

面向混合增减制造的拓扑优化研究

回顾了混合增减制造、面向混合增减制造的拓扑优化的最新发展,以及面向混合增减制造的拓扑优化中存在的权衡关系,还讨论了这些主题的挑战和未来趋势.希望能够激励学术界为连接多目标拓扑优化(MOTO)和混合增减制造做出更多贡献.     

目标成本控制视阈下路桥项目施工成本控制策略分析

文章结合某路桥项目实例,基于目标成本控制理论的基本原理与基本步骤,分析在目标成本控制视阈下路桥项目施工成本控制的相关策略与具体措施,为其他路桥项目的施工成本控制决策提供相关参考。     

多线引入的轨道电路横向连接位置优化计算方法

针对当前工程设计环节中电气化复线铁路轨道电路横向连接位置计算完全依靠人工、计算工作量大且准确性不高的情况,在充分考虑模型准确性、设计规范、工程预算、牵引回流性能等因素的前提下,提出一种多线引入情况下的电气化复线铁路轨道电路横向连接位置优化计算方法.首先,构建多线引入情况下的横向连接位置数学模型,并进一步将横线连接位置的...     

基于时程分析法的地铁盾构隧道抗震设计

地铁工程一旦遭遇地震作用的破坏,后果严重。目前地铁隧道常采用盾构法施工,为研究地震作用对盾构隧道的影响,先分析盾构隧道的抗震性能目标,再提出基于直径变形率的盾构隧道在性能要求I时和性能要求II时的变形限值,后采用midas软件进行非线性时程分析。分析表明,在E2地震作用下,盾构隧道承载力满足规范要求,变形满足性能要求I,即中震弹性;在E3地震作用下,盾构隧道变形满足性能要求II,即大震局部弹塑性。     

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

基于自动深度学习盾构掘进姿态预测与控制

提出了基于自动深度学习（AutoDL）算法和多目标优化算法的结合可实现数据驱动的姿态偏差控制指导,用于盾构掘进姿态的预测与控制,以解决现有盾构掘进姿态预测中所面临的执行难度高、成本高、效率低等问题,可用于自动精准地预测盾构掘进姿态随着工程进展的动态变化趋势,并针对盾构机施工状态执行多目标优化算法,快速自动搜寻最优策略,实时调整合适的盾构操作参数,减少对于现场操作人员经验和主观判断的依赖。以上海市天然气主干管网崇明岛-长兴岛-浦东新区五号沟LNG站管道工程隧道A线工程为例,展示该算法框架的优越性。研究结果有助于降低深度学习进入盾构智能控制领域的门槛,推动智能盾构发展。