检索结果-南通市图书馆

基于声发射信号时频图深度学习的桥梁钢桁架焊接节点损伤程度识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

振动与冲击 2024年第1期43卷 107-115,122页

作者：李丹沈鹏贺文宇向抒林合肥工业大学土木与水利工程学院合肥230009 东南大学土木工程学院南京211189 合肥通用机械研究院有限公司合肥230031

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法。对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后... 详细信息

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法。对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后建立卷积神经网络(convolutional neural network,CNN)模型对时频图进行损伤特征提取,并通过迁移学习思想提升模型的训练效率和学习能力,从而实现桁架焊接节点严重损伤、轻微损伤和噪声工况的准确识别。进一步对模型各卷积层激活区域进行可视化分析,解剖模型的损伤特征学习过程及分类逻辑。某悬索桥中央纵向腹板钢桁架焊接节点现场试验结果表明:相较于利用时域波形进行特征学习的一维卷积神经网络模型,时频图包含了更丰富的损伤信息,所建立的二维卷积神经网络模型对钢桁架焊接节点三种损伤程度的识别准确率超过94%,具有更强鲁棒性和实际应用价值。

关键词：钢桁架焊接节点损伤程度声发射(AE) 时频分析深度学习

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

大规模场景运动恢复结构研究综述

计算机辅助设计与图形学学报 2024年第7期36卷 969-994页

作者：高翔李梦晗申抒含中国科学院自动化研究所中国科学院工业视觉智能装备技术工程实验室北京100190 中国海洋大学工程学院青岛266100 中国科学院大学人工智能学院北京100049

运动恢复结构旨在基于图像间的局部特征匹配解算相机在全局统一坐标系下的绝对位姿,是基于图像的三维重建中的关键问题.近年来,随着采集设备、计算资源以及理论方法的发展,运动恢复结构研究已逐渐由实验室小规模可控场景向室内外大规模... 详细信息

运动恢复结构旨在基于图像间的局部特征匹配解算相机在全局统一坐标系下的绝对位姿,是基于图像的三维重建中的关键问题.近年来,随着采集设备、计算资源以及理论方法的发展,运动恢复结构研究已逐渐由实验室小规模可控场景向室内外大规模实际场景扩展,并取得了成果显著的理论方法与实际应用.文中从实际应用出发,综述了面向大规模场景三维重建的运动恢复结构研究领域的最新成果;专注于运动恢复结构中相机位姿解算核心问题,并全面介绍了其中的最新成果按照解析式与学习式方法进行;在此基础上,为助力社区发展,讨论与分析的运动恢复结构当前研究进展与未来发展态势.

关键词：运动恢复结构大规模场景三维重建解析式SfM方法学习式SfM方法

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

“星链”在战场:第一次商业太空战争

文化纵横 2024年第1期 8-11页

作者：张涵抒北京大学新媒体与传播学院

2022年爆发的俄乌战争中,马斯克向乌克兰投放的宇宙探索公司(SpaceX)产品“星链”(Starlink)引发了国际社会的共同瞩目。在俄乌战争爆发的第二天,马斯克就为乌克兰前线输送了大批“星链”卫星互联网移动终端,借助其运营的近地低轨道(Low... 详细信息

2022年爆发的俄乌战争中,马斯克向乌克兰投放的宇宙探索公司(SpaceX)产品“星链”(Starlink)引发了国际社会的共同瞩目。在俄乌战争爆发的第二天,马斯克就为乌克兰前线输送了大批“星链”卫星互联网移动终端,借助其运营的近地低轨道(Lowearth orbit,LEO)卫星星座网络,恢复了乌军被俄军所切断的通信网络,以商业通信卫星资源填补了军事通信被打击后造成的空白,成为乌军在战斗中不可或缺的生命线。

关键词：通信网络移动终端卫星互联网战争爆发宇宙探索军事通信卫星星座

基于核特征缩放和边界样本挖掘的不平衡图像分类方法

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2024年

作者：冷强奎陶抒清辽宁工程技术大学电子与信息工程学院

不平衡图像分类是计算机视觉领域的一大挑战。尽管深度学习技术已被广泛应用，但类别不平衡问题仍然显著，导致模型偏向多数类而忽视少数类。传统的数据采样方法易引入噪声或丢失关键信息，限制了模型的泛化能力。研究表明，将几何思想... 详细信息

不平衡图像分类是计算机视觉领域的一大挑战。尽管深度学习技术已被广泛应用，但类别不平衡问题仍然显著，导致模型偏向多数类而忽视少数类。传统的数据采样方法易引入噪声或丢失关键信息，限制了模型的泛化能力。研究表明，将几何思想融入深度学习方法中是一种有效且创新的解决方案。几何思想通过优化特征空间结构、改进决策边界和增强数据多样性，显著提升了不平衡图像分类的性能。本文提出了一种新的几何深度学习方法，该方法集成了基于核函数的层次特征缩放技术(KHFS)和相对邻域边界样本挖掘手段(RNBM)。KHFS借鉴了基于核函数的支持向量数据描述(SVDD)，通过层次聚类确定每类的中心点，并计算以中心点为球心的超球体半径，对各类特征向量进行相应缩放，从而增强少数类样本的表示能力。RNBM方法则通过构建相对邻域图来捕捉样本间的邻域关系，从中挖掘出不同类别交界处的边界样本，以约束类内样本的紧凑性和类间样本的分散性。此外，本文也引入了卷积块自注意力机制(CBSA)机制，应用于卷积神经网络(CNN)特征提取模块，旨在关注输入数据中的关键信息。在CIFAR-10、CIFAR-100、CINIC-10三个基准数据集上的大量实验验证了该几何深度学习方法在解决数据不平衡问题方面优于现有模型的显著性能。

关键词：不平衡图像分类几何方法特征缩放边界样本挖掘支持向量数据描述