摘要：为了提高无人机着陆的有效性,设计了一种带有注意力机制的神经网络算法(LineNet)实现无人机跑道线检测。根据无人机着陆场景仿真出样本数据,并利用标注工具对数据进行标注,使用Shuffle Conv模块缓解特征融合计算量的占用问题,并引入空洞空间金字塔池化注意力机制(ASPP-SA),ASPP-SA模块中添加残差的跳跃结构获取更多的图像信息,对LineNet模型的检测结果做形态学处理并结合连通区域约束对跑道线特征点进行分类,对相同类别的特征点通过最小二乘法进行跑道线拟合。经仿真数据验证,设计的方法可以有效地检测和识别出正确的跑道线,其平均检测精度为94.36%,相较于LaneNet算法、SegNet算法分别提高了12.82和9.95个百分点,单帧检测时间17.2 ms,是CNN+Hough变化算法1.5倍左右,可以满足无人机着陆的响应时间需求,在无人机着陆的研究过程中有重要意义。

摘要：为实现热轧钢板表面缺陷检测,设计一个端到端的缺陷检测算法YOLOv5-MD。为达到各种样本数量均衡分布,使用数据增强算法对钢材缺陷数据集处理,使用通道混洗模块缓解特征融合中计算量的占用问题;引入注意力机制和加权边界框融合(weighted-boxes-fusion,WBF)消除重叠度较高的预测框;在PANet(path aggregation network)模块中添加残差的跳跃结构并提取多尺度特征来获取更多的细节图像信息。经实验结果验证,所提模型的平均检测精度(mean average precision,mAP)可达97.2%,相较于YOLOv5提高了10%左右,检测速度和YOLOv5持平,是Faster RCNN的7.1倍,是SSD的1.7倍,验证了该方法的可行性、有效性。

摘要：车道线检测是保证自动驾驶安全性与稳定性的关键,为提高车道线检测的准确性,本文基于UFLD(Ultra Fast Structure-aware Deep Lane Detection)算法,结合DenseNet-121网络和空间注意力(Spatial Attention)机制,设计了一种DSA-UFLD模型实现车道线检测。在图像增强方面,使用图像亮度自适应增强算法提高欠曝图像的清晰度;在网络优化方面,用迁移学习模型DenseNet-121代替ResNet18提取图像特征,利用密集连接加强特征重用,并引入空间注意力机制提取图像的关键信息,其次在上采样中用转置卷积代替双线性插值,通过学习参数,更好地实现解码;在损失函数方面,通过改进结构损失,将车道线约束为二次曲线,改善了弯道场景下车道线的检测效果。实验结果表明,DSA-UFLD算法在保证检测速度的同时,提高了车道线的识别准确率,具有一定的应用价值。

摘要：以祁东煤矿高瓦斯突出煤层群开采为工程背景,利用相似模拟试验研究了保护层开采对上覆岩层移动规律的影响,试验结果表明：工作面存在大小周期来压现象,大周期来压步距为18.0～25.0m,小周期垮落步距约为15.0～17.5m;分析得出工作面回采后的支承压力分布规律以及来压时动载系数的大小;垮落带最大发育高度为8.0～10.0m,覆岩离层最大发育高度为23m.该研究成果为指导采空区高位钻孔及地面井瓦斯抽采参数设计提供了重要的理论依据.

摘要：为了更准确的预测油藏物性3个重要参数:孔隙度、渗透率、饱和度,提出了结合粗糙集属性约简和支持向量机回归的方法。首先用粗糙集理论对测井数据样本属性进行约简,从而选出决策属性,构成新的样本数据。然后用支持向量回归理论对数据样本进行训练,建立支持向量回归模型,并且对测试样本进行预测。实验结果表明,该方法获得了较好的拟合结果,并且减少了支持向量机在训练中的计算复杂度,提高了物性参数预测的准确率。执行该方法可为油藏开发提供决策依据。

摘要：基于传统支持向量机(SVM)训练速度慢、参数选择难等问题,提出了基于极限学习机(ELM)的岩性识别。该算法是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度。在确定了最优参数的基础上,建立了ELM的岩性分类模型,并且将ELM的分类结果与SVM进行对比。实验结果表明,ELM以较少的神经元个数获得与SVM相当的分类正确率,并且ELM参数选择比SVM简便,有效降低了训练速度,表明了ELM应用于岩性识别的可行性和算法的有效性。

摘要：针对无线传感器网络能量约束的特点,在分析多种聚类组合算法性能的基础上,提出一种基于节点拓扑和能量两类信息,采用改进的SOM+PSO组合聚类算法对WSN节点自组织成簇的方法。为了均衡能量消耗,避免远离基站的簇过早死亡,提出选择最优中继节点的代价函数,进行簇头-簇头-基站的通信。仿真结果表明,与已有的基于Leach-C和Leach的算法相比,该方法在延长网络生命周期和减少能量消耗方面有较好的性能。

摘要：针对虹膜识别过程中的特征提取及识别问题,提出了用独立成分分析提取虹膜特征,用核向量机进行识别的方法。从采集到的人眼图像中定位虹膜,并对其进行归一化处理和图像增强处理。用独立成分分析提取统计独立的特征,通过选择合适的特征个数可以达到较高的识别准确率。在得到虹膜特征编码后,用核向量机进行分类判决,核向量机是一种适合大规模数据集的快速支持向量机训练算法,并将结果与支持向量机的分类结果进行了对比。实验结果表明了该方法的可行性和有效性。

摘要：把二进制粒子群优化算法(BPSO)应用到人脸识别中。对人脸图像进行二维离散余弦变换(DCT),获得人脸图像的特征向量,应用BPSO算法对得到的特征向量进行特征选择,得到最具代表性的人脸特征。与遗传算法(GA)相比,在选择的特征较少的情况下,BPSO算法比遗传算法有更好的识别率。实验结果表明,BPSO算法应用到人脸识别中有较高的识别率,是一种非常有效的特征提取方法。

摘要：在Leach-C算法的基础上,提出一种能耗均衡的WSN分簇路由算法——EBLeach-C。采用SOM+Kmeans聚类算法,将位置相邻、能量级别相同的节点自组织成簇。设计一个新的代价函数,用于在簇头(CH)与基站(BS)之间选择最优中继节点,从而实现CH-CH-BS的通信。仿真结果表明,EBLeach-C能避免远离基站的簇过早死亡,并且均衡节点能耗,提高网络覆盖率。