排序方式: 共有41条查询结果,搜索用时 15 毫秒
11.
交流接触器组件的半自动生产装配线由机械、电气、气动、计算机控制系统实现自动化装配、自动检测和计算机生产管理。该线由计算机控制的环节:接触器机械参数与电参数的检测,软件设施满足各种产品的检测.检测质量合格后,合格产品自动送致下一个工步,质量不合格产品与以剔除,并有质量报警指示。数据计算机管理,采用计算机随时统计产品合格率,产品数量,各种机械参数与电参数不合格率,随时进行显示,并根据需要进行打印,也可以对各零部件的库存量进行统计。该检测装置稳定可靠、检测速度高。本线计算机控制系统及电气、气动等功能元件,大部分选用标准件,定位精度高。生产线布局合理,各工序之间操作协调。为扩大再生产提供了方便。 相似文献
12.
13.
基于聚类分析和集成神经网络的序列图像多目标识别算法 总被引:1,自引:1,他引:0
针对现有的集成神经网络的训练子集选择时没有考虑样本空间的分布情况,使得构造的训练子集具有很大的随机性和主观性,集成的差异性不能有效保证的缺点,提出了一种新的基于Hu七阶矩、RPCL聚类分析和集成神经网络的序列图像多目标识别算法.该方法首先在训练视频中连续提取序列图像中的目标--人、人群、汽车,利用Hu七阶矩提取轮廓信息.为了防止Hu七阶矩对小目标和非刚体目标的描述能力弱的缺点,再提取图像的面积信息.其次对所提取的8维数据采用基于对手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到待分样本的分布.再次采用提出的单个神经网络生成算法得到单个神经网络.最后采用相对多数方法对神经网络进行集成.采用基于boosting,bagging方法的集成神经网络和该算法进行比较,结果表明该方法的分类精度要高于传统方法,是一种有效的目标识别算法. 相似文献
14.
针对深度卷积神经网络训练时的网络退化、特征表达能力不强等问题,提出一种基于非负表示分类和多模态残差神经网络的肺部肿瘤(residual neural network-non negative representation classification, resnet-NRC)良恶性分类方法。使用迁移学习将预训练残差神经网络模型初始化参数;分别用CT、PET和PET/CT 3个模态的数据集训练残差神经网络,提取全连接层的特征向量;采用非负表示分类器(non-negative representation classification, NRC)对特征向量进行非负表示,求解非负系数矩阵;利用残差相似度进行肺部肿瘤良恶性分类。通过AlexNet、GoogleNet、ResNet-18/50/101模型进行对比试验,试验结果表明,ResNet-NRC分类效果优于其它模型,且特异性和灵敏度等各项评价指标也较高,该方法具有较好的鲁棒性和泛化能力。 相似文献
15.
16.
通过分析Eclat算法,对完全概念格按照支持度进行了裁减,得到了一个向下封闭的降序join半概念格,在构造半概念格的同时计算出每一个项集的支持度作为其权值,最后基于降序加权join半概念格对Eclat算法进行了改进,裁减了概念格中大量的冗余的连接,给出了一个快速的关联规则挖掘算法。经过分析,该算法与Eclat算法相比,效率更高。 相似文献
17.
对求解含线性约束优化问题的粒子群算法(LPSO)进行了改进,给出了应用其训练支持向量机(SVM)的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动,能够较好地调整算法的全局与局部搜索能力之间的平衡。对双螺旋问题的分类实验表明本文提出的方法稳定性好,训练出的SVM具有较高的分类正确率。 相似文献
18.
基于多分辨率变换和压缩感知的肺癌PET/CT图像融合方法 总被引:1,自引:1,他引:0
针对移动医疗背景下医学图像融合信息交互的局限性问题,提出一种基于多分辨率变换NSCT和压缩感知理论的肺癌PET/CT图像融合算法.第一步,对源图像进行单层NSCT分解;第二步,通过分析PET和CT不同的成像机制和显像信息,对分解后具有较差稀疏性且主要集中源图像大部分能量的低频子带,采取高斯隶属度函数加权的融合规则,对主要呈现源图像细节信息的高频子带使用高斯随机矩阵进行压缩测量,选择基于平均梯度和区域能量的方法法对高频测量值进行融合;第三步,采取正交匹配追踪算法重构融合后的高频测量值;第四步,对低频融合图像和重构后的高频融合图像进行NSCT逆变换得到最终的融合图像;最后,对该算法进行了两方面的仿真实验:与其他压缩感知图像融合方法的比较以及与其他多分辨率图像融合方法的比较,实验结果表明,该算法是有效可行的. 相似文献
19.
20.
X光片对肺炎疾病的诊断具有重要作用,但其成像时易受噪声污染,导致肺炎疾病的影像学特征不明显和病灶特征提取不充分。针对上述问题,提出密集双流聚焦网络DDSF-Net的肺炎辅助诊断模型。首先设计残差多尺度块,利用多尺度策略提高网络对医学影像中不同尺寸肺炎病灶的适应性,采用残差连接提高网络参数的传递效率;然后设计双流密集块,采用全局信息流和局部信息流并行结构的密集单元,其中Transformer对全局上下文语义信息进行学习,卷积层进行局部特征提取,利用密集连接方式实现两种信息流的深浅层特征融合;最后,设计具有中心注意操作和邻近插值操作的聚焦块,利用裁剪医学影像尺寸来过滤背景噪声信息,利用插值对医学图像进行放大,增强病灶的细节特征。在肺炎X光片数据集中与典型模型进行对比,本文模型的准确率、精确率、召回率、F1,AUC值和训练时间分别为98.12%,98.83%,99.29%,98.71%,97.71%和15 729 s,准确率和AUC值较密集网络分别提升了4.89%和4.69%。DDSFNet能够有效缓解肺炎影像学特征不明显和病灶特征提取不充分的问题,通过热力图和三份公共数据集进一步验证了本文... 相似文献