排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
如何从家电下乡40多个中标冰箱品牌的围追堵截中突围?如何从点多面广、营销成本巨大的广阔农村市场获利?如何取得信息渠道狭窄、品牌意识淡漠的农村消费者的偏好?美的冰箱在三四级市场快速增长,为推进家电下乡工作提供了可资借鉴的宝贵经验. 相似文献
2.
3.
4.
浮选工况是浮选操作的重要判断依据,如何准确地识别浮选工况对浮选性能的提升有重要意义。基于机器视觉方法是浮选工况识别的主流方法,通常采用大数据技术在浮选工况数据集上建立浮选表层泡沫特征与浮选工况之间的关系模型,工况识别效果与工况数据集密切相关。一旦出现数据集中未包含的新工况,难以获得满意的识别效果。为此,针对当前大部分工况识别方法自适应性不足的问题,本文以锌精选为例,提出一种基于多特征宽度学习的锌浮选工况识别方法,以增量学习方式自适应新出现的工况。首先,根据多特征的不同特性,构建基于多特征宽度学习的锌精选工况识别模型;然后,在浮选状态变化和精选槽故障导致模型识别准确率降低时,通过拓宽特征层、增强层以及输出层的方式调整网络结构以进行增量学习。实验结果表明,本文所提出的基于多特征宽度学习系统的锌浮选工况识别方法具有良好的工况自适应性能,应用价值良好。 相似文献
5.
锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。 相似文献
1