基于频域通道注意力的YOLOv3网络的雾天海洋图像船舶检测

为解决在雾天背景下现有的船舶检测算法准确率低、召回率不高的问题,在YOLOv3网络的特征提取模块加入空间金字塔池化模块用以丰富特征图的表达能力,在特征融合模块引入频域通道注意力机制来抑制背景噪声,在预测模块采用K均值算法重新设计预测锚框大小以适应待检测目标的形状。实验结果表明：基于频域通道注意力的YOLOv3网络在雾天背景下对船舶的检测精度更高,在测试集上平均精确率可达到92.98%,准确率可达到93.06%,召回率可达到92.25%;检测速度可达到61帧/s。本文算法满足船舶实时检测的需求,为未来智能船舶的发展提出了一种兼顾准确率和实时性的船舶检测方法。     

事件触发的自适应PID海洋水面船舶航迹跟踪控制

针对不确定动态和未知环境扰动情况下海洋水面船舶(marine surface vehicle, MSV)的航迹跟踪控制问题,在传统PID控制下,引入自适应神经网络和事件触发控制技术,提出一种不依赖船舶模型和环境扰动的事件触发的自适应PID控制方法来实现MSV航迹跟踪。Lyapunov稳定性理论分析结果表明,所提出的控制方法可以保证这个闭环控制系统所有信号的有界性,且可继承传统PID控制的优越性,同时可提高系统的鲁棒性。该研究结果不仅扩宽了PID控制的适用范围,而且为MSV航迹跟踪控制提供了新的设计方法。     

神经网络在飞行疲劳检测中的应用综述

随着飞行负荷以及飞行时长的增加,因飞行疲劳导致的航空事件时有发生,对飞行疲劳进行量化、评估、检测与预防等具有重要意义.基于神经网络的疲劳检测方法在陆地交通领域的应用较早也较多,但在民航领域的应用较少.因此,将基于神经网络的疲劳检测方法迁移应用到民航领域,对于促进飞行安全有重大意义.阐述传统飞行疲劳检测的方法及其特点,以...     

上海自行车短组运动员冬训过程监控及效果评价

以训练中的实际需要为着眼点,对训练中运动员的生理生化指标、运动训练负荷以及运动生物力学等指标的变化进行分析和研究。在跟随上海自行车队短组运动员进行冬训的过程中,使用SRM系统、Wattbike功率车以及血细胞分析仪等仪器,跟踪采集自行车短组运动员冬训期间场地训练和功率车专项训练的各项数据,研究其变化规律,综合评价冬训的效果;使用BP神经网络方法,进一步挖掘训练过程的各项指标变化规律,并建立了冬训效果的BP神经网络预测模型。     

BP神经网络在玻璃文物分类及亚类中的应用

针对玻璃文物分类及其亚类划分的问题,采用BP神经网络模型,通过MATLAB导入玻璃文物实际数据集对模型进行训练和学习,结合玻璃文物各化学成分的特征对BP神经网络的权值进行调整,得出玻璃文物的分类结果及其亚类划分,其结果与实际结果进行对比,验证出BP神经网络在玻璃文物分类领域中具有较强的实际应用价值。以氧化铝与氧化钡为不确定因素对亚类划分结果进行敏感性分析,计算得出敏感性指标。     

改进遗传算法的神经网络模型研究

神经网络模型及遗传算法在信息识别、分析与处理方面有着广泛的应用前景。通过对实数编码的遗传算法进行分析,给出了一种改进的优化神经网络模型权值的遗传算法,试验表明,改进的遗传算法可以使神经网络模型的收敛性和稳定性得到明显改善,并且可以减少优化时间。     

船舶发电机智能故障诊断系统

随着世界多元化的发展,市场经济不断提高,船舶事业在其发展中承担着不可替代的作用。船舶的正常运行也受到国家密切的关注,船舶电力系统的核心就是发电机,发电机是否正常工作决定着船舶的正常运行。发电机一旦出问题,就需立马维修,尽快恢复正常,否则很可能引起人员的伤亡事故以及经济的重大损失。所以船舶发电机的故障诊断系统起着至关重要的作用。随着国内外发电机诊断系统的不断发展,我国传统的诊断技术已经跟不上时代的发展,智能故障诊断系统已经全面应用。本文对船舶发电机的智能故障诊断系统进行了研究分析,希望可以为船舶的维修提供可靠依据。     

基于网评数据的游客印象挖掘与情感分析

[目的/意义]从国内游客在线评论文本中分析挖掘出游客对目的地的潜在印象,有助于相关部门和企业了解游客的真正需求,从而科学规划目的地的发展,提升目的地的美誉度。[方法/过程]通过构建词云图进行热词分析;通过DBSCAN密度聚类、构建语义网络关系图完成特色分析;通过提出一种基于Bert的双路神经网络融合的文本情感分类模型TNNFMB(Two-way Neural Network Fusion Model Base on BERT)结合迁移学习实现情感分析,以此挖掘游客的潜在印象。[结果/结论]通过实验,总体挖掘分析出游客高度关注目的地的服务、环境、设施、性价比、位置、景点景色、景区项目,并验证了TNNFMB模型在分类准确率上比基线模型至少提升3.06%,取得了更好的分类效果。     

基于CAR-Siamese网络的高分辨率遥感图像建筑物变化检测

准确提取建筑物变化区域对城乡规划、地理国情监测、城市扩张分析有着重要意义。传统遥感变化检测方法难以适应遥感图像复杂场景下的变化检测任务的要求。近年来广泛应用于计算机视觉领域的深度学习变化检测算法相对于传统方法在效率和精度上有明显提升。然而遥感图像上建筑物特征丰富、变化多样,且建筑物变化样本获取难度大,导致现有深度学习模型在建筑物变化检测任务上精度受限。针对这一问题,提出变化注意力残差孪生网络(CAR-siamese net),增强不同尺度下图像信息的共享交流,充分学习建筑物的变化特征,同时,提出建筑物语义分割样本预训练策略,有效利用现有建筑物分割样本,最终提升了变化检测网络对建筑物变化的解译能力。以北京昌平区影像为底图制作建筑物变化检测数据集,在该数据集和Levir-CD公开数据集上的实验结果表明,该方法能有效提高建筑物变化检测精度。     

基于Bi-LSTM和Attention的智能合约分类

针对区块链技术存在智能合约服务困难问题,提出基于注意力机制和双向长短期记忆神经网络的智能合约分类.运用Bi-LSTM网络从智能合约源代码和账户信息两个角度进行建模,提取出智能合约的最大特征信息.加入注意力机制的Bi-LSTM模型在Dataset-E、Dataset-N和Dataset-EO数据集上正确率分别达到89.8...