融合注意力与时域多尺度卷积的手势识别算法

针对基于深度学习的动态手势识别方法网络规模庞大、提取的时空特征尺度单一、有效特征的提取能力不足等问题,提出了一种深度网络框架。首先,使用时域多尺度信息融合的时空卷积模块改进3D残差网络结构,大幅度缩小网络规模,获得多种尺度的时空感受野特征;其次,引入一种全局信息同步的时空特征通道注意力机制,使用极少量参数构建特征图通道之间的全局依赖关系,使模型更加高效地获取动态手势的关键特征。在自建手势数据集SHC和公开手势数据集SKIG上的实验结果显示,提出的手势识别方法参数量更少且多尺度时空特征提取能力强,识别率高于目前的主流算法。     

融合K-调和均值的混沌粒子群聚类算法

针对K-调和均值和混沌粒子群聚类算法的优缺点,提出了一种融合K-调和均值的混沌粒子群聚类算法。首先通过K-调和均值方法把粒子群分成若干个子群体,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。其次,算法中引入变尺度混沌变异,抑制了早熟收敛,提高了计算精度。实验证明,该算法可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。     

基于一种新的蚁群算法的QoS组播路由问题的研究

在解决QoS（Quality of Service）组播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法（QPSO）思想的多行为蚁群算法。该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径。仿真结果表明：该算法寻优能力强,可靠性高,是解决QoS组播路由问题的有效方法。     

运输过程中机械振动对猕猴桃贮藏品质的影响

根据实际运输情况,研究了运输过程中振动频率和振动加速度对猕猴桃贮藏品质的影响。通过测定猕猴桃在10,20,30,40,50Hz 5种振动频率以及2.5,5.0,7.5m/s~2 3种振动加速度下硬度、可溶性固形物、可滴定酸、VC、丙二醛(MDA)的含量变化来评定其品质变化,以确定振动频率和振动加速度对猕猴桃贮藏品质的影响。结果表明,随着试验进行其硬度、可滴定酸、VC含量均下降,可溶性固形物、MDA含量均上升。研究发现在20 Hz的振动频率、2.5 m/s~2的振动加速度下猕猴桃损伤最小。     

改进YOLOv8的道路交通标志目标检测算法

虽然,当前检测技术日趋成熟,但对于复杂环境下的小目标检测仍然是研究的重难点。针对道路交通场景中普遍存在的交通标志小目标比例较高,环境干扰因素较大的问题,提出了一种基于YOLOv8改进的道路交通标志目标检测算法。由于小目标检测中容易出现漏检的现象,利用BRA(bi-level routing attention)注意力机制提高网络对小目标的感知能力。此外,还利用可形变卷积模块DCNv3(deformable convolution v3),针对特征图中的不规则形状具有更好的特征提取能力,使骨干网络更好地适应不规则的空间结构,更精准地关注重要目标,从而提高模型对遮挡重叠目标的检测能力。DCNv3和BRA模块均在基本不增加模型权重大小的情况下提高模型准确性。同时引入基于辅助边框的Inner-IOU损失函数。在RoadSign、CCTSDB、TSDD、GTSDB四个数据集上,分别进行了小样本训练、大样本训练、单目标检测和多目标检测,实验结果均有所提高。其中,在RoadSign数据集上的实验结果最佳,YOLOv8改进模型的均值平均精度mAP50与mAP50:95分别达到了90.7%和75.1%,...     

聚类邻域自适应调整的多载蚁群算法

针对基本蚁群聚类算法较长时间开销和易产生冗余聚类数目的缺陷,提出了一种基于动态邻域的多载蚁群聚类算法。算法通过邻域动态自适应调整寻找纯净的邻域,增强蚂蚁记忆体记忆纯净邻域的大小,蚂蚁之间协同交流进行多载整合相似邻域形成最终聚类结果。实验结果表明新算法能有效提高算法效率且取得较好的聚类效果。     

核心节点全局计算与存储的路由模拟策略

针对当前路由模拟策略存在的不足,提出了面向核心节点的全局计算与存储的路由模拟策略。该策略思想是：针对计算复杂、使用频繁的核心节点采用全局计算与静态存储的方法;针对计算简单、使用不频繁的边缘节点采用一维数组存储的方法。该策略有效地降低了路由计算时间,提高了模拟的运行效率。与传统的全局计算与静态存储策略相比,改进的路由策略模拟运行时间减少61%以上。     

基于关节臂测量仪的大齿轮测量方法研究

目前大齿轮的测量方法依然存在着较大的提升空间，针对这一情况，提出一种基于关节臂测量仪的大齿轮测量方法。应用六自由度关节臂测量仪，对大齿轮齿廓面进行采点，收集点云数据。设计一种齿面测量辅助尺，确定关节臂测头的采样位置，并保证测头的采样方向一致。运用双三次NURBS插值方法，创建出实际齿面模型。通过得到的实际齿面齿廓，与两条理论齿廓间的法向距离求得齿廓偏差，运用分度圆处矢量法确定实际齿面齿距，与理论齿面齿距进行比较得到齿距偏差。最后，运用该方法对某大齿轮进行大齿轮测量，求得单个齿距偏差为21.581 4μm,齿廓偏差为35.200 6μm。结果表明该测量方法是可行的和有效的。