巴魯夫現(xiàn)貨庫(kù)存接近開(kāi)關(guān)秉銘上海

巴魯夫現(xiàn)貨庫(kù)存接近開(kāi)關(guān)秉銘上海BES 516-324-G-E5-C-S49解決編碼效率和碼率靈活問(wèn)題,以便更易于硬件實(shí)現(xiàn),提出了一種交叉型準(zhǔn)循環(huán)低密度奇偶校驗(yàn)碼構(gòu)造及其打孔算法。首先采用交叉對(duì)角線矩陣來(lái)構(gòu)建校驗(yàn)矩陣,以便實(shí)現(xiàn)線性時(shí)間編碼,減少編碼的復(fù)雜度。其次,通過(guò)匹配交叉對(duì)角線結(jié)構(gòu)的方式進(jìn)行打孔,得到任意變化的碼率以及比特均勻分布效果。后,結(jié)合硬件平臺(tái)仿真進(jìn)行了QC-LDPC編碼器FPGA實(shí)現(xiàn)。性能仿真結(jié)果表明,基于交叉對(duì)角線結(jié)構(gòu)的QC-LDPC編碼器有效提高了編碼的實(shí)時(shí)性、降低實(shí)現(xiàn)復(fù)雜度。為了緩解圖像視覺(jué)特征與情感語(yǔ)義特征之間存在的鴻溝，減弱圖像中情感無(wú)關(guān)區(qū)域?qū)η楦蟹诸?lèi)的影響，提出了一種結(jié)合視覺(jué)語(yǔ)義聯(lián)合嵌入和注意力模型的情感分類(lèi)算法。首先利用自編碼器學(xué)習(xí)圖像的視覺(jué)特征和情感屬性的語(yǔ)義特征的聯(lián)合嵌入特征，縮小低層次的視覺(jué)特征與高層次的語(yǔ)義特征之間的差距；然后提取圖像的一組顯著區(qū)域特征，引入注意力模型建立顯著區(qū)域與聯(lián)合嵌入特征的關(guān)聯(lián)，確定與情感相關(guān)的顯著區(qū)域；后基于這些顯著區(qū)域特征構(gòu)建情感分類(lèi)器，實(shí)現(xiàn)圖像的情感分類(lèi)。實(shí)驗(yàn)結(jié)果表明，該算法有效地改進(jìn)了現(xiàn)有的圖像情感分類(lèi)方法，顯著提高了對(duì)測(cè)試樣本的情感分類(lèi)精度。針對(duì)大部分基于機(jī)器學(xué)習(xí)的故障診斷雖有監(jiān)督學(xué)習(xí)方式,但是機(jī)械設(shè)備振動(dòng)信號(hào)價(jià)值密度低,標(biāo)簽標(biāo)注成本大,且對(duì)于復(fù)合故障信號(hào)無(wú)法準(zhǔn)確標(biāo)注其狀態(tài)的問(wèn)題,提出了一種基于參數(shù)稀疏自編碼器的故障診斷方法,該方法能夠分析信號(hào)組成成分從而達(dá)到旋轉(zhuǎn)機(jī)械的故障診斷的目的。為了使編碼結(jié)果更高效地表示數(shù)據(jù),在自編碼器的基礎(chǔ)上融入稀疏概念并對(duì)解碼參數(shù)施加范數(shù)懲罰。實(shí)驗(yàn)結(jié)果表明,提出的稀疏自編碼器能夠分解信號(hào)成分有效地診斷旋轉(zhuǎn)機(jī)械健康狀態(tài)。 

的雷達(dá)輻射源個(gè)體識(shí)別是掌握戰(zhàn)爭(zhēng)主動(dòng)權(quán)的關(guān)鍵所在。針對(duì)雷達(dá)輻射源個(gè)體識(shí)別中特征提取困難和低信噪比下識(shí)別率低的問(wèn)題，該文從圖像角度出發(fā)提出了一種基于變分自編碼器的雷達(dá)輻射源個(gè)體識(shí)別算法。該算法基于信號(hào)時(shí)頻分析，利用變分自編碼器提取時(shí)頻圖像的深層特征，并采用核主成分分析(KPCA)獲取特征中的主成分，后將特征送入支持向量機(jī)進(jìn)行分類(lèi)識(shí)別 。仿真結(jié)果表明，文中所提算法在識(shí)別效率和抗噪聲性能等方面均優(yōu)于其他傳統(tǒng)算法。當(dāng)信噪比（SNR）為0dB時(shí)針對(duì)六個(gè)輻射源進(jìn)行識(shí)別，可獲得93%以上的識(shí)別率。該算法特征提取簡(jiǎn)單、系統(tǒng)實(shí)時(shí)性高，具有較高的工程應(yīng)用價(jià)值。 、

巴魯夫現(xiàn)貨庫(kù)存接近開(kāi)關(guān)秉銘上海BES 516-324-G-E5-C-S49云是一種非常重要的三維表達(dá)方式，在計(jì)算機(jī)視覺(jué)和機(jī)器人領(lǐng)域都有著廣泛的應(yīng)用。在真實(shí)的應(yīng)用場(chǎng)景中，由于遮擋和采樣不均勻等情況，傳感器采集到的目標(biāo)物體的點(diǎn)云形狀往往是不完整的。為了實(shí)現(xiàn)點(diǎn)云的特征提取和目標(biāo)點(diǎn)云的生成，本文提出一種基于多分支生成結(jié)構(gòu)的點(diǎn)云形狀補(bǔ)全網(wǎng)絡(luò)，采用“編碼器-的框架。編碼器負(fù)責(zé)從輸入中提取局部特征和全局特征，而中的多分支生成結(jié)構(gòu)負(fù)責(zé)將提取到的特征轉(zhuǎn)換成點(diǎn)云，終得到完整的目標(biāo)物體的點(diǎn)云形狀。在ShapeNet和KITTI數(shù)據(jù)集以及不同殘缺比例、不同幾何形狀物體的殘缺點(diǎn)云的情況下進(jìn)行測(cè)試實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，提出的方法可以很好地補(bǔ)充缺失對(duì)象點(diǎn)云的形狀，得到完整、直觀、真實(shí)的點(diǎn)云模型。 

BES 516-324-G-EO-C-02
BES 516-324-G-EO-C-PU-02
BES 516-324-G-EO-C-PU-03
BES 516-324-G-EO-C-PU-05
BES 516-324-G-EO-C-S4-01
BES 516-324-G-EO-C-S49-01
BES 516-324-G-S49-C
BES 516-324-G-SA58-S49-C
BES 516-324-G-SA66-S49-C
BES 516-324-S49-C
BES 516-324-SA-26-SP03
BES 516-324-SA17-05
BES 516-324-SA26-02
BES 516-324-SA26-03
BES 516-324-SA26-05
BES 516-324-SA26-10
BES 516-324-SA33
BES 516-324-SA40-E4-C-S49-02
BES 516-324-SA41-E4-C-S49-02
BES 516-324-SA44-C-02
BES 516-324-SA44-C-03
BES 516-324-SA44-C-PU-03
BES 516-324-SA44-C-S4-01,5
BES 516-324-SA44-C-S49-00,2
BES 516-324-SA44-C-S49-00,3
BES 516-324-SA45-E4-C-PU-03
BES 516-324-SA45-E4-C-S49-00,2-IL
BES 516-324-SA46-S49-C
BES 516-324-SA47-E5-C-S75
BES 516-324-SA53-S49
BES 516-324-SA54-E4-C-PU-01
BES 516-324-SA55-03
BES 516-324-SA56-E5-C-S49
BES 516-324-SA57-E5-D-S49
BES 516-324-SA59-D-PU-03
BES 516-324-SA60-E4-C-PU-01
BES 516-324-SA61-E4-C-PU-03
BES 516-324-SA62-E4-C-PU-03
BES 516-324-SA63-EO-C-PU-02
BES 516-324-SA64-EO-C-PU-03
BES 516-324-SA67-S49
BES 516-324-SA68-00,5
BES 516-324-SA8-02
BES 516-324-SA8-05
BES 516-324-SA8-10
BES 516-324-SA96-G-E4-C-S4-00.3
BES 516-324-SA96-G-E5-C-S49
BES 516-325-AO-C-PU-05
BES 516-325-E3-N-03
BES 516-325-E3-N-PU-05
BES 516-325-E4-C-02
BES 516-325-E4-C-03