呼叫中心在安全生产管理信息系统中的应用

在传统的安全生产管理信息系统基础上,集成基于呼叫中心技术的安全生产举报中心.举报中心对举报者进行语音指导,对举报内容进行存储和处理,使生产上的安全隐患能够及时发现并做出及时、正确的处理.分析基于呼叫中心技术的安全生产举报中心的系统结构和软件流程,介绍预拨呼叫的基本概念和在紧急救援系统中的应用.     

贝叶斯假设方法在水声成像声呐阵控制中的应用

在对水中目标轮廓进行水声成像时,可设计声呐阵中各声呐单体对目标分割识别,利用贝叶斯假设方法,解决多声呐单体识别结果的目标最终识别问题,实现声呐阵的有效控制。     

基于BP神经网络的静态手势识别方法

手势识别正成为人机交互技术研究中的一种重要模式.本文针对运用摄象机和计算机视觉技术捕获来的静态手势,提出了一种手势特征提取和基于神经网络分类的手势识别方法.实验表明该方法的正确识别率可以达到98%左右,是一种非常有效的静态手势识别方法.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

中日铁路项目国民经济评价方法比较与分析

以日本《铁路费用效益分析手册（99版）》和中国《铁路建设项目经济评价办法（第2版）》为参照,通过对比分析中日铁路项目国民经济评价方法的差异,提出日本铁路费用效益分析方法中的可借鉴之处;借鉴日本评价方法分3类界定受益群体的思路,解决我国现行方法存在的效益重复计算问题;以福利经济学和“有无对比法”作为项目评价的基本指导原则,解决我国由于评价原则模糊导致的同一项目不同评价结论的问题等。     

基于小波变换的多尺度多阈值语音增强方法

语音信号与随机噪声在不同尺度上进行小波变换时,其小波变换系数和尺度大小的特性关系存在着不同的特征表现。而且,浊音和清音也各有其特性．鉴于此特点,给出了一种基于小波变换的多尺度多阈值语音增强方法．该方法采用软限幅函数对浊音和清音信号的小波变换系数作不同的阈值处理,既抑制了噪声,又减少了语音段的信息的损失,提高了信噪比．仿真结果说明,这是一种有效的语音增强方法．     

高速列车运行工况可视化系统的研究

介绍-种表现高速铁路运行状况的动画设计和制作方法.综合有关铁路线路各个分立数据库的内容,如:线路坡道、桥梁、隧道、车站、挖填方等,运用动画仿真技术,从纵断面的视角将各个数据库存储的线路属性参数在同一个画面上统一、关联地表现出来,达到直观便捷的表现效果.     

一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最...     

铁路隧道二次衬砌敲击检查声音特征分析及智能识别

为实现铁路隧道二次衬砌背后空洞智能诊断,基于声音识别技术,建立隧道空洞敲击检查声音智能识别模型。收集645段检查锤敲击衬砌的声音样本,运用信号特征分析的基本方法,分析有空洞和无空洞状态下声音信号的时域和频域特征,并提取24维梅尔频率倒谱系数作为机器学习数据集。用主成分分析法降维,经混合粒子群算法优化的支持向量机训练后,建立铁路隧道空洞敲击检查声音智能识别模型,将该模型应用于实际铁路隧道验证其有效性。建立的声音识别模型训练时长为31 s,准确率达95.56%,且能准确对实际工程中的声音样本做出分类。研究结果表明：对2种状态下的声音样本时域特征和频域特征进行对比和分析,不同状态下短时能量和声纹都出现明显的不同。运用PCA-混合PSO-SVM建立的声音识别模型,有着较高的准确率和较快的训练速度,能够根据敲击检查声音准确判断出隧道背后是否存在空洞,如何根据声音特征判断衬砌背后空洞的大小和深度等,将是下一步研究的重点。目前铁路隧道快速无损检测还无法大范围普及,人工检查仍是使用最广泛的检查方法,通过研究敲击检查声音智能识别,为隧道智能化诊断做出新的探索,对加快人工检查速度、提高信息化程度和实现无纸...