基于三维有限元仿真技术的电磁场课程教学方法

电磁场课程是电气、电子类专业的核心课程,具有理论性强、概念抽象的特点,学习难度较大.针对这一问题,文章介绍了一种基于三维有限元仿真技术的教学方法,利用仿真软件,从多角度、多尺度展示各类典型电磁场的三维空间分布特性,通过参数化建模技术动态展示关键尺寸变化对电磁场的影响.该方法具有形象、直观、灵活的特点,有助于学生更加深刻...     

突发事件中基于支持向量机算法的文本分类研究

近些年来突发事件的频发使得人们对该领域的关注越来越多,因此对突发事件进行自动分类的研究,以提高文本分类的效率。在构建突发事件领域专用停用词表的基础上,基于TF-IDF(term frequency–inverse document frequency)特征提取方法和支持向量机文本分类算法,对上海大学突发事件语料库中的332篇文本进行分类。由算法得出的训练模型可以较好地完成突发事件的文本分类任务,由此更为快速和精确的获取到目标文本,减少人工的工作量。     

基于区块链的在线教育资源可信共享平台

针对当前在线教育学习平台存在的寻找优质教育资源难度系数高、时间成本大、优质教育资源可信度不高等问题,文章通过深入分析在线教育平台运行机制,结合区块链的去中心化、防篡改和隐私保护等优势,构建了基于区块链技术的可信共享模型,从而构建了一个可信的网络教育资源共享平台。该平台使得学生能够进行更高效的学习,充分发挥网络课程的教育价值,同时也为区块链技术在在线教育及其它领域的应用提供了新思路。     

基于云计算的复杂系统仿真模型服务化技术研究

文章基于云计算相关内容,从实体、事件、动作、状态机以及服务5个方面分析云计算下复杂系统仿真模型本体的构建。文章以服务化技术中的服务聚类技术为支持得到服务类簇,并从语义互操作层次聚合处理服务本体,以此达到提高云计算下复杂系统仿真模型服务查找效率与准确率的重要目的。     

基于神经网络的图像分类模型的设计与实现

传统的图像分类方法是采用人工分类图像的即由人眼观察到色彩特征进行特征分类的。随着人工智能时代的到来,图像自动分类处理技术已成为一项研究热点。研究以残差神经网络模型中的Res Net50为目标场景,以残差神经网络在图像分类中的应用及网络优化为切入点,将Res Net50神经网络模型应用到CIFAR10图像集的图像分类问题上,从优化网络模型和优化特征层抽取技术两个方面,对图像分类模型进行了改进。同时对梯度消失,过度拟合等一系列训练过程中可能会遇到的问题进行分析,通过在Res Net50模型的两个卷积层间增加Dropout层和在图像加载到Res Net50模型前进行一系列图像增强技术以便能改善残差网络的结构,从而达到最好的图像分类效果。     

基于人机协同的医院信息安全技术及系统研发

人机协同有助于提升人与机器装备间的整体效能。文章从人机协同视角出发,通过探索信息安全系统数据检索、检测、感知和识别数据中的处理效率和安全性内容,以分析人机协同处理下医院信息安全系统控制界面、交互算法和编程控制的稳定性和时效性。结果表明,单一机器学习方法分析信息数据,其系统安全决策精度不足,人机协同学习下,医院信息安全系统稳定性、安全性和决策精度更出色。人机协同学习方法有助于实现控制界面、编程控制、传感器的交互,提升医院信息安全系统功能丰富度,使信息数据采集更为便捷、高效。     

一类具有病毒变异的随机SEIR传染病模型的灭绝性与平稳分布

本文将随机扰动引入一类具有病毒变异Logitic死亡率的SEIR传染病模型,研究其简化的非线性随机比例系统的动力学行为.首先证明随机系统全局正解存在唯一性.其次建立疾病灭绝的条件.然后通过构造随机Lyapunov函数证明系统存在唯一的遍历平稳分布.最后通过数值模拟说明结果的正确性.     

一种基于稳定平台的复合控制模型研究

文章首先根据控制模型的研究机理进行功能分类,再梳理控制模块的数学模型,并以控制组件综合反馈控制系统状态特征;然后对模型中的控制算法进行研究,设计了一种适用于工程实践的复合控制算法,最后通过实验对复合控制模型进行功能验证和性能测试,证明本文研究内容的正确性,可提高控制系统的精确度和稳定性。     

基于改进GMM与帧差法的运动棉杂率分析算法研究

针对清梳棉流程中产出棉含杂高、质量差的问题,结合改进高斯混合模型(Gaussian mixed model,GMM)与帧差法,提出一种局部运动棉杂率控制优化方法。首先针对清棉机除杂原理及棉杂特性进行分析;其次通过提取视频关键帧并改进GMM与帧差法对图像序列“与”运算实现目标的精确提取,进而通过设计GMM分类器获得棉杂率并进行分析;最后与传统的检测算法作对比验证。实验表明,改进后的算法在有效性以及实用性方面优于传统算法。同时,通过引入闭环控制能满足工业高精度、实时性的需求。     

融合注意力机制的轻量级摔倒检测

摔倒检测大都依靠传感器设备,此类方法受设备自身和环境因素影响较大,常常无法发挥该有的作用,同时,基于视觉的方法往往实时性较差,鲁棒性不强。针对上述问题,本文提出了一种鲁棒性强、能有效部署在嵌入式设备上的轻量化摔倒检测算法。以YOLOv5为基准模型,首先,融合轻量级注意力机制模块,使网络更关注要识别的目标区域,增强网络的识别精度。其次,使用模型压缩方法对模型进行剪枝,减小模型体积和计算量,使模型轻量化,以提高推理速度和便于部署在嵌入式设备中。最后,对剪枝后的模型进行知识蒸馏,在不提升模型复杂度的前提下提升模型的检测精度。实验结果表明：本文模型相较于基准模型,mAP增加了1.7%,召回率提高了1.2%,模型体积减小了79.1%,浮点运算量降低了70.9%。将本文模型部署在嵌入式设备Jetson Nano上,检测速率达到13.2 frame/s,基本满足实时性摔倒检测的要求。