检索结果-内蒙古大学图书馆

中国测试 2024年第6期50卷 35-41,48页

作者：赵泽毅周福强王少红徐小力北京信息科技大学现代测控技术教育部重点实验室北京100192

针对交通标识识别问题,传统的LeNet-5网络结构对于交通标识识别准确率低,识别速度慢,并且忽略天气等自然因素的影响。通过卷积神经网络技术,提出一种基于LeNet-5改进的双通道、多尺度的网络结构模型。在双通道结构中每个通道包含两个分... 详细信息

针对交通标识识别问题,传统的LeNet-5网络结构对于交通标识识别准确率低,识别速度慢,并且忽略天气等自然因素的影响。通过卷积神经网络技术,提出一种基于LeNet-5改进的双通道、多尺度的网络结构模型。在双通道结构中每个通道包含两个分支结构,且每个通道的卷积个数和图像尺度不同,通过不同尺度图像的特征提取,使图像特征变得更为丰富。其次,改进后的网络结构大大增加卷积核的个数。最后,通过更改Sigmoid激活函数为ReLu激活函数,更改随机梯度下降算法为Adam算法,并添加Dropout层来防止过拟合,从而提高交通标识识别率。改进网络的识别率为98.6%,上下浮动0.5%,相对与传统的LeNet-5网络结构,识别率提高15%以上,验证得出改进的网络结构具有一定的鲁棒性。

关键词：交通标识识别 LeNet-5网络结构卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究

引用

现代制造工程 2022年第5期 130-137,23页

作者：毕浩程蒋章雷吴国新刘秀丽栾忠权北京信息科技大学现代测控技术教育部重点实验室北京100192

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行... 详细信息

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用1.5维包络谱对重构信号进行故障的特征提取。在实验部分,首先通过仿真试验将SSA-VMD与变分模态分解(VMD)进行对比,验证了SSA-VMD的优越性;然后搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用SSA-VMD结合1.5维包络谱的方法提取出了振动信号的故障特征频率,总结了行星齿轮箱磨损故障演化规律。研究结果表明:随着磨损故障程度的加深,故障特征频率出现次数明显增多,凭借这一规律,有利于实现对行星齿轮箱磨损故障的诊断;该结果可为行星齿轮箱磨损的故障诊断提供依据。

关键词：变分模态分解樽海鞘群算法 1.5维包络谱行星齿轮箱故障诊断

来源：评论

学校读者我要写书评

暂无评论

一种改进回环的多传感器融合SLAM算法

引用

电子测量技术 2023年第22期46卷 131-138页

作者：马哲伟周福强北京信息科技大学现代测控技术教育部重点实验室北京100192

针对无人车在室外大场景环境建图时,单一传感器的激光里程计推算位姿不准确且易随着累计漂移而产生精度下降的问题,本文提出了一种激光雷达与惯性单元IMU融合的激光惯性SLAM系统。系统前端由IMU信息进行点云去畸变处理,通过激光雷达里... 详细信息

针对无人车在室外大场景环境建图时,单一传感器的激光里程计推算位姿不准确且易随着累计漂移而产生精度下降的问题,本文提出了一种激光雷达与惯性单元IMU融合的激光惯性SLAM系统。系统前端由IMU信息进行点云去畸变处理,通过激光雷达里程计输出位姿。后端优化通过因子图实现,由前端里程计因子,IMU预积分因子,回环检测因子联合优化。同时,基于全局描述符Scan-Context提出了一种改进的回环检测方法,能够有效提升回环检测的准确率。在公开数据集与无人车实验的实验结果表明,相比于经典的激光算法A-LOAM,LeGO-LOAM,所提出的方法轨迹精度大约提升了40%左右,对于回环检测的效率提升了约25%,有效的提高了SLAM系统的性能。

关键词：无人车激光SLAM 多传感器融合回环检测

来源：评论

学校读者我要写书评

暂无评论

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

引用

机电工程 2021年第10期38卷 1305-1310页

作者：毕浩程蒋章雷李宇恒吴国新王红军北京信息科技大学现代测控技术教育部重点实验室北京100192

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率... 详细信息

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。

关键词：行星齿轮箱故障诊断 1.5维谱活跃频率频率耦合

来源：评论

学校读者我要写书评

暂无评论

针对临时道路的端到端自动驾驶模型研究

引用

重庆理工大学学报（自然科学） 2024年第9期38卷 48-54页

作者：王立勇谢敏苏清华王弘轩王绅同张鹏博姜海燕北京信息科技大学现代测控技术教育部重点实验室北京100192

近年来,基于深度学习的自动驾驶模型逐渐成为无人驾驶领域的研究热点,常规的自动驾驶模型多采用多级模块串联的方式构建,分别完成感知、规划、循迹等功能,存在耦合性高抗风险能力差的问题。文中提出一种针对临时道路的无人驾驶车辆自动... 详细信息

近年来,基于深度学习的自动驾驶模型逐渐成为无人驾驶领域的研究热点,常规的自动驾驶模型多采用多级模块串联的方式构建,分别完成感知、规划、循迹等功能,存在耦合性高抗风险能力差的问题。文中提出一种针对临时道路的无人驾驶车辆自动驾驶端到端模型,该模型采用三路视觉传感器图像为输入,以GCViT作为主干网络进行图像特征提取,通过Transformer网络和GRU网络输出局部规划路径,采用PID算法输出转角信息,实现无人驾驶车辆自动循迹。实验结果表明,端到端模型的单帧轨迹规划耗时约80 ms,平均轨迹偏差为0.689 m,满足实时性要求的同时,可完成无人驾驶车辆在临时道路环境下的循迹任务。

关键词：端到端深度神经网络自动驾驶 Transformer网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的车牌智能识别方法

引用

重庆理工大学学报（自然科学） 2021年第3期35卷 119-127页

作者：饶文军谷玉海朱腾腾黄艳庭北京信息科技大学现代测控技术教育部重点实验室北京100192

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将... 详细信息

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将校正后的车牌送入设计的改进卷积神经网络中提取车牌序列特征,最后通过双向递归神经网络和时序分类网络识别出车牌字符。与传统车牌识别方法相比,提出的方法能够有效克服天气等不良状况的影响,从Yolov3定位到识别完成的平均时间可以缩短至33ms左右,平均识别准确率能够达到96.1%。

关键词：复杂环境神经网络车牌识别

来源：评论

学校读者我要写书评

暂无评论

基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

引用

机床与液压 2020年第16期48卷 182-187,211页

作者：马丽华朱春梅赵西伟北京信息科技大学现代测控技术教育部重点实验室北京100192

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。... 详细信息

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。

关键词：瞬时频率均值(IFM) 变模式分解(VMD) 小波阈值降噪(WTD) Hilbert变换

来源：评论

学校读者我要写书评

暂无评论

基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法

引用

中国测试 2023年第2期49卷 93-98页

作者：李瑶吴国新赵西伟左云波北京信息科技大学现代测控技术教育部重点实验室北京100192

针对显著性目标检测算法在面对复杂场景图像时存在背景错误凸显和不能凸显纹理细节的问题,提出一种改进的基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法。对图像进行SNIC超像素分割,基于超像素的距离、颜色得到超像素显... 详细信息

针对显著性目标检测算法在面对复杂场景图像时存在背景错误凸显和不能凸显纹理细节的问题,提出一种改进的基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法。对图像进行SNIC超像素分割,基于超像素的距离、颜色得到超像素显著图;利用LBP算子得到图像的纹理显著图,将超像素显著图以及纹理显著图结合得到初级显著图,最后将初级显著图与CA模型下的显著图融合,得到最终显著图。基于MSRA10K数据集将该文算法与其他5种算法进行对比测试。结果表明:该文所提出的算法与其他现有的显著目标检测算法相比,该文算法可有效抑制相似背景的干扰,突出目标区域的纹理信息,并且具有较高的准确度和稳定性。

关键词： SNIC超像素分割图像特征显著图目标检测

来源：评论

学校读者我要写书评

暂无评论

旋转机械传动系统运行稳定性劣化表征参数提取方法研究

引用

电子测量与仪器学报 2017年第1期31卷 155-160页

作者：蒋章雷徐小力北京信息科技大学现代测控技术教育部重点实验室北京100192

旋转机械是生产中应用最广泛的机械设备,其传动系统是旋转机械的重要组成部分,它的安全稳定运行对经济和社会具有重要影响。以转子实验台典型故障为研究对象,提出旋转机械传动系统运行稳定性劣化表征参数的提取方法。采用高阶累积量理论... 详细信息

旋转机械是生产中应用最广泛的机械设备,其传动系统是旋转机械的重要组成部分,它的安全稳定运行对经济和社会具有重要影响。以转子实验台典型故障为研究对象,提出旋转机械传动系统运行稳定性劣化表征参数的提取方法。采用高阶累积量理论,从不同故障状态之间迁移的角度对传动系统稳定运行状态劣化为非稳定运行状态的劣化演化过程进行描述,提出"劣化演化矩阵"的概念。在此基础上,定义稳定性劣化均值、稳定性劣化方差等状态劣化趋势的表征参数,并进行了基于该方法的实验验证,结果表明,该方法可以描述系统运行状态的整体趋势,可以作为旋转机械传动系统运行稳定性的表征参数。

关键词：传动系统高阶累积量劣化趋势特征提取

来源：评论

学校读者我要写书评

暂无评论

基于YOLO-GT网络的零售商品目标检测方法

引用

重庆理工大学学报（自然科学） 2021年第6期35卷 174-184页

作者：周可鑫左云波谷玉海朱腾腾卞景艺北京信息科技大学现代测控技术教育部重点实验室北京100192

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网... 详细信息

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。

关键词：深度学习目标检测 RPC 嵌入式 YOLO-GT

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：