一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。      

一种高超声速试飞器助推段主动弹性抑制方法

针对高超声速试飞器助推段由于其高静不稳定特性所引起的低频弹性模态与刚体高带宽控制之间动态耦合问题,具有低频模态和大静不稳定度等特征,引入主动弹性抑制技术,即在传统控制器的设计基础上引入弹性振动能量在线辨识技术相结合的改进自适应增广控制技术(Adaptive augmenting control, AAC),动态改变开环系统控制增益,以降低弹性模态对舵机的影响,同时增加刚体控制系统的稳定性。仿真结果验证了该方法能够有效减小由干扰激励出的弹性模态所引起的附加舵机摆角,抑制伺服弹性耦合作用。该方法对高超声速试飞器助推段的控制具有重要的理论意义和工程应用价值。     

非英语专业本科生学习风格探究及启示

研究学习风格和英语学习成绩之间存在的关系。利用PLSPQ对河南省洛阳市三所高校的479名非英语专业二年级学生进行调查问卷,以学生的四级成绩为依据,分析其学习风格总体状况及其偏好以及在学习风格上所呈现出的差异。结果表明,非英语专业本科生触觉型学习风格的倾向性最为明显,听觉型学习风格倾向最弱,就学习风格而言,英语学习成绩优异者与成绩较差者存在较为明显的差异。结论是学习风格与学习成绩之间并没有显著的关系。     

基于注意力机制特征重建网络的舰船目标检测

深度学习为遥感领域诸多应用提供了重要的技术支撑,光学遥感图像的舰船目标检测对国防侦察和预警具有重要意义.真实场景中的舰船往往呈不同方向任意排列,且小目标的占比大,经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检.为此,本文设计了基于注意力机制特征重建网络的舰船目标检测算法.首先,通过引入注意力机制对多尺度特征融...     

涡轮转子径向变形多目标协同稳健性优化

考虑到涡轮转子径向变形对涡轮叶尖径向间隙以及篦齿径向封严间隙的影响,提出涡轮转子径向变形多目标协同稳健性优化方法。利用基于Kriging模型的分布式协同响应面法(DCRSM)分别建立涡轮转子和涡轮篦齿的参数与径向变形间的响应面模型,并求解单目标下的稳健最优解。采用理想点法建立涡轮转子和篦齿径向变形多目标协同稳健性优化模型,并进行多目标协同稳健性优化求解。优化结果显示:提出的多目标协同稳健性优化方法与单目标稳健性优化方法相比涡轮转子和篦齿径向变形量的标准差分别降低了2.6%和4.9%。提出的方法为涡轮转子参数设定提供一定的参考。      

基于Faster R-CNN的精密零部件的识别方法

在航空航天领域中,惯性陀螺等精密器件装配精度要求较高,目前大多采用人工装配的方法,装配效率低、装配过程受人主观影响大。针对上述存在的问题,采用基于Faster R-CNN模型的目标识别算法,通过VGG16特征提取网络提取特征信息,在模型训练过程中利用COCO数据集的深度网络模型进行迁移训练,防止模型过拟合并加速参数的训练过程。同时,该方法还与其他深度学习模型以及传统的目标识别算法进行了对比,在自建的数据模型测试集上进行试验。结果表明,基于VGG16的Faster R-CNN目标识别模型在复杂环境及物体发生遮挡的情况下对于惯性陀螺的识别具有明显的优势,准确率可达到87.80%,召回率80.30%,识别速度可达到15FPS,能够满足实时性要求。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点,提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识,通过无监督学习的方式,计算未标记数据与少量有标记数据之间相似度,从而对少数类样本进行扩充。利用构造后的数据集进行模型训练,从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题,在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法,该方法虽然在准确率上低于传统方法,但是在召回率与F₁值的表现上超越传统方法。     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

基于卷积神经网络的局部图像特征描述符算法

为提升基于图像序列三维重建的速度,解决传统局部特征描述符算法提取速度慢的问题,设计了一种基于深度学习的局部特征描述符网络。利用特征描述符网络实现对图像特征点的特征提取,结合本文采用的欧氏距离匹配准则,实现了对不同图像间特征点的匹配。算法对MVS数据集进行了验证,实验结果表明:提出的局部特征描述符算法实现了对图像特征点特征的快速准确的提取、匹配,与传统特征描述符算法相比,特征提取时间缩短了50%以上,特征点的匹配时间缩短了60%以上。相对于本算法中复杂结构的特征描述符网络,结构简单的泛化性更好,可拓展到航天领域的三维重建中。