一种基于稀疏表示声纳图像识别方法

提出了一种基于灰度-梯度共生矩阵的稀疏表示声纳图像识别方法.该方法采用灰度-梯度共生矩阵对声纳图像进行特征提取,特征提取结果相比全局的特征提取包含了声纳图像的重要的纹理信息;并结合稀疏表示的分类方法对声纳图像进行识别.实验表明,该方法既满足了对声纳图像进行识别实时性,又提高了识别的准确性.     

基于特征融合的舰船目标识别方法

传统的被动目标识别主要依靠声呐员的作用,随着人工智能的迅速发展,水下目标智能识别成为未来发展的趋势.针对这一问题,根据舰船辐射噪声特性,提出基于特征融合的舰船目标识别方法,通过提取基于人耳听觉感知的梅尔倒谱系数特征、基于循环平稳分析的谱相关密度函数特征,构建特征层融合和决策层融合的特征融合模型,利用深度学习中的卷积神经...     

基于深度相机的船舶小构件打磨装置视觉识别算法设计

基于深度相机,针对船舶小构件智能打磨装置的视觉识别系统进行算法模块设计,确定视觉识别系统的模块框架与模块功能,并基于OpenCV库与PCL库,利用C++程序语言对模块功能进行算法实现。同时搭建算法试验平台,对模块算法进行验证,完成包括相机位姿估计与坐标变换、工件点云分割、工件质心提取、工件边缘提取在内的算法功能实现,为船舶小构件智能打磨装备提供准确全面的视觉数据,保证智能打磨装备的上料及打磨作业顺利执行。     

基于脆弱数字水印的人脸图像的安全性

针对人脸识别系统中人脸图像数据可能受到攻击，导致人脸图像被恶意添加、替换、篡改等安全隐患，采用脆弱数字水印方法，解决上述人脸识别系统中人脸图像数据安全问题．用人脸原始图像的小波低频系数的高7位生成低频压缩图像，作为水印．通过混沌置乱加密，将水印直接嵌入到原始人脸图像的最低有效位平面，区分人脸图像篡改并定位检测．实验结果表明，采用脆弱数字水印的人脸图像对恶意添加、替换、篡改都有很高的敏感度．嵌入脆弱数字水印对人脸图形的特征提取的识别率以及识别速度的影响都很小．     

大跨连续刚构桥箱梁下缘曲线选取研究

刚构桥箱梁下缘曲线幂次的合理选取,是此类桥梁设计的重点。通过对大跨径连续刚构桥（主跨为220m）箱梁下缘曲线的幂次进行调整,并运用MIDAS／CIVIL软件对整桥进行建模和结构分析,得出不同曲线下结构的内力分布。经过比较分析,得出箱梁下缘曲线的合理选取范围及建议,对连续刚构桥梁主梁设计参数的合理选取具有实际指导意义。     

基于复合信号特征的崩塌落石监测方法

行车限界内的崩塌落石灾害监测是保障山区铁路行车安全的重点研究课题.若干基于单信号特征的监测方法已经投入应用,其固有的误报率和漏报率超出了铁路运输所能容忍的限度.考虑到崩塌落石会产生侵限目标和冲击波等多种信号特征,提出了一种基于复合信号特征的监测方法,对信号源不同的多种信号特征进行提取,同时要求这些特征必须具备高度的时空域相关性.理论分析和各山区路局的实践表明,此方法可以使监测系统的误报率和漏报率同时降低到若干数量级以下.     

青岛市汽车工业的发展

分析了青岛市汽车工业发展的现状和存在的问题,指出其面临的经济、政策、行业、地理位置等方面的发展机遇,提出了青岛市汽车工业的发展思路和方向。     

地表模型上的最短路径算法研究

提出了一种基于空间三角网格的地表模型上的最短路径算法。该算法利用离散点的空间信息计算得到起点So到周围邻接点的最短距离,然后用逐步向外层边界扩展的方法扩大起点的邻接点范围,直到起点的邻接点中包含终点to。此过程可求得So到to的最短路径上的关键点,然后求取无原始边连接的2个关键点之间的精确路径点。     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于可解释极端随机树模型的 DCT 液压响应预测

为解决传统湿式双离合器变速器 （Dual Clutch Transmission， DCT） 控制策略在硬件误差以及复杂工况下液压响应预测精度不完全可控的问题，提出了一种基于 SHAP 图可解释极端随机树预测模型，使用机器学习方法结合某汽车公司 DCT 实验室采集的真实离合器数据对 DCT 液压响应进行预测。模型利用 SHAP 算法对于重要特征选择的可解释性，筛选并保留对液压响应影响较大的特征，将时间切片和升降压判定作为特征加入训练数据，训练预测模型。结果表明，该模型训练结果的均方误差 MSE 为 0.670 3，可决系数 R2为 1.000 0，并且在测试集上预测值与实际值之间的平均误差为12.99 kPa，远低于设计误差 25 kPa，具有较高的预测精度，特征选择较准确，可以很好地解决传统物理模型无法计算不同工况下液压响应的问题，为下阶段基于数据和物理双驱动的DCT控制策略优化提供较准确的预测结果。