融合深度学习的无人驾驶多目标检测算法

目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。     

工程教育专业认证背景下“传感与检测技术”课程教学改革探讨

工程教育专业认证是促进我国工程教育改革,提高工程教育质量的重要举措。在此背景下,本文对自动化专业"传感与检测技术"课程的教学改革进行了探讨,提出了理论教学、教学方法、实践教学、考核方式等方面持续改进的一系列方案。     

改进WOA算法优化SVM的网络入侵检测

基于支持向量机(SVM)的网络入侵,因SVM参数设置不当导致分类准确率偏低的问题,提出改进二进制鲸鱼算法优化支持向量机(IBWOA-SVM)的网络入侵检测。通过对鲸鱼优化算法中收敛因子的改进和更新机制融入粒子群策略的方式,改善其容易陷入局部最优且收敛精度慢的缺点。对初始化参数群采用改进二进制鲸鱼优化算法的更新机制不断地进行更新迭代,迫使鲸鱼搜索代理获取较优的参数值来建立性能较优的分类模型,进而提高网络入侵检测的分类性能。采用多个UCI数据集并与其他的参数优化方法进行对比,最后使用网络入侵检测KDD CUP 99数据集进行验证。结果表明,与遗传算法、粒子群算法和鲸鱼优化算法在SVM参数优化上的性能相比,IBWOA-SVM方法的分类准确率和适应度值在各数据集上都有所提高,从而有利于改善网络入侵检测参数优化中的分类性能。     

基于光声光谱的微量气体检测实验设计与实现

为使学生能了解国内外科技研究热点,并改进相对陈旧的实验内容,以最新研究内容为基础,为学生开设了基于光声光谱的微量气体检测实验。介绍了实验原理、实验系统总体设计方案以及关键实验模块的设计与实现,取得了预期的结果。     

基于DSP的有源电力滤波器控制系统设计

为了满足响应快、精度高的要求,提出了一种基于高速数字信号处理DSP芯片TMS320F2812的全数字有源电力滤波器(Active Power Filter,简称APF)控制方案.着重阐述了控制方案硬件结构的主要电路设计和分析了软件程序的实现流程.最后,在APF样机上进行了补偿典型负载实验,实验结果及分析验证了该控制方案在改善电能质量上的可行性.     

基于改进SURF算法的机器人识别匹配方法

由于传统SURF匹配算法选取大量不符合预期的特征点,增加了后期匹配运算时间,导致不能满足工业级应用快速性的要求。提出一种改进的SURF算法,首先对摄像头获取的目标图像进行均值滤波处理,然后选择合理阈值、运用Canny算子对获取的目标图像进行边缘检测,再通过Hessian矩阵获取图像局部最值,并利用SURF算法对边缘图像进行匹配。仿真结果表明,该SURF算法在应用于工业机器人目标识别匹配时,既能减少匹配时间,又可以提高匹配准确度。     

基于改进的DTW算法的仿真与分析

传统的DTW算法着重于时间规整和间距测量的概念，对数据的可靠性没有进行有效的分析，且对连续词的识别效果不明显。基于松弛起始点和分段思想的改进DTW算法，可以改善明阿算法的缺陷。通过对语音样本0．9在MATLAB6．5上的仿真实现与分析表明，采用改进后的DTW算法具有良好的语音识别效果。     

完形填空专练（2）

The Inspector of Schools arrived yesterday morning, and he spent the whole day examining the classes. The headmaster had told us a few days 1 that he was coming. I think the headmaster was very 2 about it, for every day, he came to all the classes, 3 the teacher over and over again what they must do and examined the boy himself to see 4 they were ready for the Inspector. He told us in our class that we were all fools and would be sure to 5 him lose face before the Inspector.     

基于随机森林方法的异常样本检测方法

提出一种基于随机森林方法的异常样本(outliers)检测方法.仿真实验表明,与其他2种基于距离的异常样本检测技术相比,这种方法可以更好地提高模型的准确率,且具有较强的鲁棒性,在处理大规模数据集时还能显著地减少计算时间.