双线性模型模拟洪水的尝试

为了表征洪水随时间变化的非线性，本文首次将一种非线性模型－双线性模型引随机水文学。文中介绍了该模型的形式和参估计方法进行金沙江屏山站洪水为对象作了实例分析，结果表明，该模型是可行的。     

统一通信在校园网中的实现

通过对智能网、校园网和统一通信的分析，提出一种利用智能网和校园网资源实现统一通信的校园统一通信系统。     

基于全局自注意力的小麦图像识别

在实际应用场景下,通过图像识别的方式来识别小麦的病虫害具有极大的挑战性。与以往纯粹基于卷积神经网络（Convolutional Neural Network, CNN）的方法相比,将小麦图像转换成一系列视觉语言,并从全局视角进行小麦识别的方法是更可行和实用的。运用Convolutional Visual Transformers（CVT）来解决小麦识别分为2个环节。首先,利用2分支CNN生成的2种特征图来实现注意选择性融合(Attentional Selective Fusion, ASF)。ASF通过融合多个特征和全局-局部注意力来获取有区别的信息,并投射成一系列的视觉语言。其次,受Transformers在自然语言处理方面的成功启发,用全局自注意力来建模这些视觉语言之间的关系。将CVT与经典分类网络LeNet-5、ResNet-18、VGG-16、EfficientNet对比,识别率有所提升,同时该方法具有良好的泛化能力。     

试论大中型企业网络平台日常管理的制度化

通过对大中型企业网络平台常见故障原因的分析,发现最根本的原因是机房环境和设备缺乏日常管理。实行大中型企业网络平台日常管理的制度化,有利于保持大中型企业网络的稳定运行。     

改进的Mean Shift滤波在砂砾岩图像分割中的应用

砂砾岩图像成分颜色多样、色彩不均,要有效地进行分割,提取砾岩颗粒,图像预处理就显得尤为重要。MeanShift滤波相比传统的滤波算法具有更好的平滑特性,能很好地消除噪声和色彩不均对后续分割造成的影响,但运算速度较慢。针对该问题,提出利用高斯金字塔和像素点赋值方法改进Mean Shift滤波算法速度。采用改进后的Mean Shift滤波算法对砂砾岩图像进行预处理,然后进行分割,提取粒岩,取得了较好的效果。     

基于MATLAB的AVI视频影像分解与压缩

为了实现对AVI(Audio Video Interleaved)文件中视频影像的分析和处理,提出了一种根据AVI文件的存储结构、利用Matlab中的音视频处理函数aviread等编程的方法,将AVI文件中的视频数据流读出并存储为一系列BMP文件,再进行小波变换压缩后写入AVI文件.利用该方法,实现了AVI视频影像的分解、合成及压缩,编程简单、数据处理可靠、程序运行高效.     

一种融合分水岭与ISODATA的岩心图像分割方法

分水岭算法用于图像分割,能获得封闭的和位置准确的轮廓,但容易造成过分割;ISODATA算法能将岩心砾石颗粒聚集成一类,但会使砾石目标边缘位置漂移。为克服以上两种方法的缺点,提出融合分水岭和ISODATA的图像分割方法。该方法首先利用分水岭算法得到过分割图像,ISODATA算法得到聚类图像,然后以ISODATA算法聚类的结果为依据,校正分水岭法的过分割问题。该方法用于砾岩图像的分割,取得了较好的实验效果。     

桥式起重机轮跨比研究

介绍了桥式起重机轮跨比与桥架的自锁有密切关系的理论基础,详述了国内外相关技术资料关于轮跨比的推荐值,对国内外同类产品的轮跨比进行了详细的统计分析,并阐述了轮跨比与啃轨之间的关系,说明如果轮跨比取值较小时,务必保证产品的制造、安装工艺,严格满足各项要求.     

基于迁移学习的暴恐音频判别方法

本文从网络和电影中截取暴恐音频片段组成暴恐音频库,由于暴恐音频来源受限,而卷积神经网络需要大量的数据训练,为此,将迁移学习技术引入暴恐音频的判别中.首先采用公开的TUT音频数据集进行预训练,然后保留模型权重并迁移网络在暴恐音频库上继续训练,最后在fine-tune后的网络中增加网络的层数,添加了一种类似于残差网络的结构使其能够利用更多的音频信息.实验结果表明,使用迁移学习方法比未使用迁移学习方法的平均判别率提升了3.97%,有效解决了在暴恐音频判别研究中音频数据集过小而带来的训练问题,且改进后的迁移学习网络进一步提升了1.01%的平均判别率,最终达到96.97%的判别率.     

基于Leap Motion的动态手势识别方法

伴随虚拟现实（Virtual Reality,VR）技术的发展,以及人们对人机交互性能和体验感的要求提高,手势识别作为影响虚拟现实中交互操作的重要技术之一,其精确度急需提升^[1].针对当前手势识别方法在一些动作类似的手势识别中表现欠佳的问题,提出了一种多特征动态手势识别方法.该方法首先使用体感控制器Leap Motion追踪动态手势获取数据,然后在特征提取过程中增加对位移向量角度和拐点判定计数的提取,接着进行动态手势隐马尔科夫模型（Hidden Markov Model,HMM）的训练,最后根据待测手势与模型的匹配率进行识别.从实验结果中得出,该多特征识别方法能够提升相似手势的识别率.