123,123,123

基于圖像技術(shù)的EAN-13條碼識別系統(tǒng)設(shè)計[模擬設(shè)計][其他]

條形碼技術(shù)作為一種數(shù)據(jù)采集和自動識別技術(shù)應(yīng)用非常廣泛。為了更好地滿足應(yīng)用場景的自動化功能需求，利用圖像處理相關(guān)技術(shù)，對EAN-13條形碼識別的相關(guān)算法進行了研究。首先，針對采集到的條形碼圖像進行圖像預處理，包括圖像灰度化、基于Hough變換的圖像傾角矯正、目標分割和圖像濾波；然后根據(jù)條形碼編碼的既定規(guī)則，采用平均值法和校驗碼驗證法對條形碼進行譯碼；最后，利用MATLAB仿真軟件，設(shè)計了一個條形碼識別系統(tǒng)。通過實驗驗證，所設(shè)計的系統(tǒng)識別率可以達到99%以上，取得了很好的效果。

發(fā)表于：2020/12/16 16:50:00

基于C/S架構(gòu)的機場地理信息系統(tǒng)的設(shè)計與實現(xiàn)[模擬設(shè)計][智能交通]

近年來，隨著生活水平的提高，人們越來越多地選擇飛機作為長距離旅行的交通工具，因此對機場效率提出了更高的要求，機場信息化就成為了大勢所趨。而地理信息系統(tǒng)作為機場信息化的重要組成部分，對其研究和開發(fā)就成為了機場信息化建設(shè)的重要內(nèi)容之一。分析了當前機場地理信息系統(tǒng)的技術(shù)現(xiàn)狀，針對其實時性差和安全性不高等問題，提出了一種基于C/S架構(gòu)的新型機場地理信息系統(tǒng)。該系統(tǒng)在中航油智慧加油改造項目中實現(xiàn)并得到成功應(yīng)用，具有實時性好、安全性高等特點。

發(fā)表于：2020/12/16 16:43:00

基于TrackRay的滲透測試平臺設(shè)計[其他][信息安全]

如何維護網(wǎng)絡(luò)信息安全一直是IT行業(yè)重點關(guān)注的問題。滲透測試是一種常見的網(wǎng)絡(luò)安全評估方法，由于滲透測試所采用的安全工具過于繁雜，因此設(shè)計一個基于TrackRay的滲透測試平臺，內(nèi)置有漏洞掃描器和Web服務(wù)接口，并集成和綜合多種安全工具的優(yōu)點，功能強大，簡便易用。特別是支持Java、Python、JSON等方式編寫插件，調(diào)用各種類型插件來進行滲透測試，可移植性大大提高。經(jīng)試驗結(jié)果表明，該滲透測試平臺搭建簡單方便，可運用于Windows和Linux等系統(tǒng)，并且可以進行靈活的編寫插件實現(xiàn)快速的Web安全漏洞檢測。

發(fā)表于：2020/12/16 16:43:00

基于非凸包的灌注區(qū)包絡(luò)自動擬合方法[其他][其他]

在微觀驅(qū)替實驗中，往往利用玻璃刻蝕模型來觀察油水在巖心孔隙中的運動過程。對實驗中采集到的微觀驅(qū)替序列圖進行分析研究，能夠?qū)︱?qū)替效果進行定量計算。針對微觀驅(qū)替序列圖中灌注區(qū)數(shù)量不固定、形態(tài)特征不規(guī)則、圖像數(shù)量多等問題，提出了一種基于非凸包的灌注區(qū)包絡(luò)自動擬合方法。即先對灌注區(qū)點集進行邊緣提取，再對灌注區(qū)進行聚類分析，最后采用非凸包算法對每個灌注區(qū)提取包絡(luò)。結(jié)果顯示采用該方法得到的波及系數(shù)比傳統(tǒng)凸包算法具有更高的精確性，并可實現(xiàn)包絡(luò)擬合的自動化，具有比較高的應(yīng)用價值。

發(fā)表于：2020/12/16 16:40:00

公路視頻實時車輛檢測分類與車流量統(tǒng)計算法[模擬設(shè)計][智能交通]

公路視頻實時車輛檢測分類與車流量統(tǒng)計是計算機視覺領(lǐng)域的一個經(jīng)典問題。傳統(tǒng)設(shè)置檢測帶法，易漏檢復檢，自動化性不好?；谏疃染W(wǎng)絡(luò)的one-stage算法實時性好，但是經(jīng)常會把變化的背景、運動的非車輛物體納入其中，同時對光照變化敏感，夜間分類效果不好。因此，提出采用one-stage做目標檢測，并不直接獲取分類結(jié)果，而是根據(jù)標注框?qū)⑽矬w切割出來，去除背景，提升抗背景擾動性能和分類效果；再送入一個經(jīng)過遷移學習的淺層神經(jīng)網(wǎng)絡(luò)；將分類輸出和目標檢測網(wǎng)絡(luò)的位置輸出合并送入一個全圖匹配算法，進行車流量統(tǒng)計。該方法在保障實時性的同時降低了漏檢和復檢率。

發(fā)表于：2020/12/16 16:38:00

基于AHP的威脅情報網(wǎng)站價值評估方法[其他][其他]

威脅情報的采集是情報搜集工作中至關(guān)重要的一個環(huán)節(jié)，威脅情報網(wǎng)站是其重要載體。首先確定了威脅情報的價值特性，然后討論了利用層次分析法確定諸多模糊聚類因子的權(quán)重，并且應(yīng)用模糊綜合評價方法建立了模糊綜合評價方法的兩級模型，從而得到對威脅情報網(wǎng)站的客觀評估，方便用戶在搜集信息時進行權(quán)衡。與其他方法相比該方法評價結(jié)果更具準確性，具有較大的現(xiàn)實意義和應(yīng)用前景。

發(fā)表于：2020/12/16 16:33:20

基于改進LeNet-5的形狀類似物體識別方法[人工智能][工業(yè)自動化]

針對深度學習在對外形類似物體的識別上存在著識別精度低、耗時長等問題，提出基于改進的LeNet-5的識別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，將卷積層變?yōu)殡p層非對稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡(luò)泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時長的缺點；通過對訓練集進行增廣增加訓練樣本。實驗結(jié)果表明，改進LeNet-5網(wǎng)絡(luò)的訓練精度達到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內(nèi)收斂，這些指標均顯著優(yōu)于原網(wǎng)絡(luò)。

發(fā)表于：2020/12/16 16:31:44

卷積神經(jīng)網(wǎng)絡(luò)識別地基云圖的數(shù)據(jù)庫建立及處理方法[其他][其他]

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學習特征的能力，訓練需要大量帶有標簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對地基云圖相關(guān)研究時，建立云圖樣本庫是第一步，也是非常重要的一步。首先，通過數(shù)碼相機直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取以及由全天空照相機拍攝等手段獲取三個云圖樣本庫；接著，對三個樣本庫圖像的分辨率、噪聲、數(shù)量等問題進行了分析；然后，采用雙線性插值和數(shù)據(jù)增強方法對樣本庫進行歸一化預處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對增強后的數(shù)據(jù)集進行云識別分類驗證，實驗結(jié)果表明，利用本文方法進行增強數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對小樣本數(shù)據(jù)識別率不高

發(fā)表于：2020/12/16 16:28:00

基于Lucene的中文是非問答系統(tǒng)的設(shè)計與實現(xiàn)[模擬設(shè)計][其他]

針對中文是非問句，設(shè)計并實現(xiàn)了基于Lucene的問答系統(tǒng)，主要包括問句預處理、索引創(chuàng)建和答案整理三部分。問句預處理部分，引入句法成分權(quán)重和命名實體權(quán)重改進TextRank算法，得到一種提取問句核心詞的方法。在索引創(chuàng)建部分，針對本地的多源數(shù)據(jù)進行文檔融合創(chuàng)建索引，降低數(shù)據(jù)多樣性帶來的復雜度。在答案整理部分，對查詢索引結(jié)果進行答案判決，輸出肯定或否定含義的答案。實驗結(jié)果表明，數(shù)據(jù)融合能有效減少索引創(chuàng)建耗時，改進TextRank的核心詞提取方法準確率明顯高于TextRank，系統(tǒng)具有較為不錯的性能。

發(fā)表于：2020/12/16 16:27:46

基于FTM和CSI的單站目標跟蹤研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

WiFi技術(shù)在定位跟蹤領(lǐng)域得到了迅速發(fā)展和應(yīng)用，不僅可以通過精細時間測量(FTM)協(xié)議獲得到達時間，還能利用信道狀態(tài)信息(CSI)估計到達角，為單站目標跟蹤提供了十分有利的條件。針對單站情況下到達時間和到達角的非線性跟蹤問題，提出了一種簡單有效的偏差補償卡爾曼濾波算法(BCKF)。該算法對非線性觀測方程進行偽線性化，然后補償由偽線性化引起的估計偏差，實現(xiàn)更準確的狀態(tài)估計。搭建WiFi測量平臺，并在室內(nèi)外兩種典型環(huán)境下進行單站目標跟蹤。實驗結(jié)果表明，相較于其他非線性濾波算法，BCKF能以較低計算開銷實現(xiàn)更準確的目標跟蹤，在室內(nèi)外的80%跟蹤誤差分別不超過3.7 m和1.5 m。

發(fā)表于：2020/12/16 16:21:39