大学生校外网络生活现状分析

网络生活已经成为当代大学生生活的重要组成部分。以河北某高校大学生校外网络生活现状为例,通过对全校不同院系、专业和年级大学生的随机调查和座谈,总结出了目前大学生校外网络生活特点、成因,并且提出了对策建议。     

基于433 MHz LoRa信号的森林传播特性研究

为了保证无线传感器网络在森林中的合理规划,研究了LoRa信号在森林的无线传播特性。在南京林业大学以及下蜀林场,选择4种不同的环境(刚竹林、鹅掌楸林、林间小路以及空旷操场),测试了433 MHz LoRa无线信号在3种天线高度(0,0.5,1.0 m)下的接收信号强度(RSSI)。将测试的RSSI数据根据传统路径损耗模型进行了拟合,分析了林分密度和天线高度对模型中衰减指数的影响。此外,研究发现传统路径损耗模型的拟合精度不足,提出了新的路径损耗模型,对RSSI数据重新进行了拟合。结果表明,林分密度越大,环境障碍物越多,信号稳定性越差,衰减指数越大,LoRa信号衰减越快;天线高度增加,枝干分布密度、树叶、低矮灌木密度逐渐减小,信号受障碍物遮挡的影响降低,衰减指数也随之减小,更有利于LoRa信号传输;提出的新损耗模型的拟合度R²为0.928 1～0.963 2,相比传统路径损耗模型(拟合度R²为0.879 0～0.946 3),拟合精度有了较大的提升。新损耗模型拟合RSSI测量数据具有更小的误差和更好的拟合特性,更适合作为林业环境中信号RSSI值数据...     

基于BERT+BiLSTM+CRF深度学习模型和多元组合数据增广的渔业标准命名实体识别

为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination,MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement...     

基于幼儿通学流的沈阳市居住-就学空间结构研究

基于通学流透视城市空间结构是一个新视角.采用2018年沈阳市手机信令通学OD数据,运用社区发现算法测度沈阳市居住-就学网络的空间结构特征.研究表明:1)沈阳市居住-就学网络在城市核心区边缘联系强度最高,核心区次之,外围区最低,在空间上呈现紧密的小范围通学特征.2)居住-就学网络节点具有明显的等级性,基于流出量与流入量的...     

基于BERT-BiLSTM-CRF的农产品信息文本命名实体识别研究及应用展望

命名实体识别是从农产品信息文本数据中有效抽取信息的关键一步,旨在从非结构化文本中确定与农产品特性相关的命名实体。农业领域的命名实体识别研究大多集中在农业病虫害领域,关于农产品信息文本的实体识别研究较少,通过采用BMES标注的方式对爬虫获取的农产品信息文本数据进行标注,提出融合BERT的BiLSTM-CRF深度学习模型对该文本数据进行实体抽取。将该模型与多种神经网络模型的实验结果比较发现,融合BERT的BiLSTM-CRF模型对农作物、地区、富含营养成分等3种命名实体识别的准确率和召回率分别为82.25%和84.54%,明显优于IDCNN-CRF等神经网络模型,说明该方法能有效识别抽取农产品信息文本数据命名实体。基于此,命名实体识别作为中文文本信息抽取的关键技术,在农产品信息推荐系统、智能问答等方面将会有广泛的应用前景。     

基于改进ResNet网络的有遮挡车牌识别

为了提高有遮挡车牌的识别准确率,提出一种改进深度残差网络（Deep residual network,ResNet）损失函数的车牌识别方法。首先运用图像平滑处理技术对图像特征进行增强,其次利用边缘检测算法实现对车牌的定位,然后基于先验知识按照标准车牌中各个字符的比例对车牌进行分割。在此基础上,运用改进后的Res Net网络对有遮挡车牌样本库进行训练以及识别,并采用同样样本大小的无遮挡车牌样本库进行对比实验。实验结果表明,改进后的Res Net网络采用有遮挡车牌样本库训练的模型具有较好的识别准确率,且更具有鲁棒性。     

基于单目视觉的车辆距离测量研究

提出一种单目测距算法,将车牌检测与距离测量分离,以车牌作为车牌检测和距离测量的纽带,使用YOLOv4-Tiny pro检测车牌,基于几何关系的车辆测距模型,根据车牌尺寸的先验信息准确计算出车辆距离。最后对系统的识别效果和距离检测结果分别进行了实验验证,对于整合后的算法进行了进一步优化,证明了方法的有效性。     

基于Tensorflow的车型识别系统研究

研究了基于谷歌深度学习框架Tensorflow的深度学习在车型识别领域应用的可能性,使用了卷积神经网络模型,将6种不同类型的车辆图片作为训练集输入神经网络,通过多次训练,选择合适的神经网络超参数,最终得到了可以通过输入图片直接识别汽车类型的卷积神经网络模型,且准确率约为92%。同时,通过学习,以Tensorflow为后端,keras为前端进行建模、编程的完整流程,为进一步使用Tensorflow深度学习框架构建图像识别的应用环境打下了基础。     

基于树莓派平台的道路雾气和积雪检测系统设计

在大雾天或冬季路面积雪的环境,会影响车辆驾驶的安全性,甚至发生安全事故。使用树莓派平台,提出了一种基于卷积神经网络（CNN）的图像检测算法,用于实时检测雾气和道路表面积雪。使用树莓派开发板和一个摄像头实时获取雾气和路面积雪的信息,通过Mobile Net深度学习算法检测道路情况。实验表明,其对雾气和路面积雪的检测准确率为97%以上。并且证实Mobile Net的深度学习算法的在树莓派上的工作速度优于Res Net50等算法。     

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法.该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活...