网络驱动的未识甲骨字特性及场景语义预测

甲骨学的研究具有重要的文化价值和传承意义,可以极大提高国家的文化自信。未识甲骨字的语义预测是甲骨学研究中最主要的问题,也是传统甲骨学研究中最棘手的问题。现有的计算机技术辅助研究方法无法预测未识甲骨字的语义。利用复杂网络对甲骨文进行了抽象和理解,并对未识甲骨字的场景语义进行预测。首先,以甲骨拓片为基础数据,通过建模构建甲骨字网络;其次,在甲骨字网络之上,分析未识甲骨字的重要性、信息丰富度、闭合性等特性,为预测未识甲骨字的场景语义提供理论依据;最后,根据网络特性和甲骨拓片的上下文语境预测未识甲骨字的场景语义。构建的未识甲骨字特性体系以及预测未识甲骨字的场景语义思路为破译其他未识甲骨字的语义奠定了基础,有助于推动甲骨文考释的进程。     

深度神经网络在自动瞄靶技术中的应用研究

基于Mask R-CNN模型,对惯性约束聚变实验研究中靶图进行关键结构的语义分割,通过计算中心来定位目标靶点位置,通过模拟靶图数据来验证算法的可行性。在算法验证过程中通过程序批量生成不同结构参数、不同角度的模拟靶图作为数据集,然后通过增噪、成像位置变换等操作拓展样本数量。在大样本数量基础上对算法模型进行训练测试,实现语义分割,通过计算注入孔的中心得到目标靶点位置。测试结果显示准确率和召回率均在97%以上,在靶点识别精度上优于10个像素点。     

基于U-net和可见光谱图像的黄瓜褐斑病分割

褐斑病是黄瓜主要真菌性病害之一,适宜条件下,特别是在昼夜温差大及饱和湿度条件下发病迅速,病情加重,导致黄瓜减产,造成经济损失.对黄瓜褐斑病进行病斑分割与提取,可以为后续的病害识别与诊断提供有效依据,具有重要意义.结合黄瓜褐斑病可见光谱图像,利用U-net深度学习网络构建黄瓜褐斑病语义分割模型,实现了病斑分割.首先在采集...     

基于语义网络的列车无线烟雾报警系统的设计与实现

当前的列车无线烟雾报警系统无法对多变环境下的烟雾复杂信息特征进行准确地描述与提取,列车无线烟雾报警系统报警精度较低;设计并实现了一种基于语义网络的列车无线烟雾报警系统,采用语义网络作为综合信息描述烟雾属性之间的内部联系,将ARMS3C2440当成主控芯片,语义网络节点当成数据交换模块,总体列车无线烟雾报警系统中ZigBee无线模块同语义网络相融合,采用可伸缩语义网络距离准确描述烟雾浓度信息特征阀值,进行报警,提高了报警的准确率与及时性;验设置烟雾流速为1.0 g/s,浓度是2 g/s,设置烟雾浓度报警阀值小于或等于25%火灾下限,而总体气体中烟雾火灾下限是5%,因此设置烟雾气体报警高限是1%;真实验结果说明,该种语义网络的列车无线烟雾报警系统能够准确分析列车中烟雾特征,对异常烟雾进行及时准确地报警,相比传统报警系统,报警精确度提高了42%左右,报警时间降低2~3 s,具有很强的应用前景。     

有限Boole语义中公式的条件随机真度

基于条件概率的思想,利用赋值集的随机化方法,在有限Boole语义中引入公式的条件随机真度,证明了条件随机真度的MP规则和HS规则。引入公式间的条件相似度和条件伪距离,建立了条件随机逻辑度量空间,证明了条件随机逻辑度量空间中逻辑运算的连续性,并初步研究了给定条件下的近似推理理论。