简介：线性差动变压器(LinearVariableDifferentialTransformer,LVDT)采用初级线圈激励电压作为相位参考来计算输出,会产生信号抗干扰能力弱、数据失真、软件补偿繁琐、工作量大等问题.本研究设计了一种基于LVDT传感器的在线测量系统,以输出的次级信号差值与和值的比例,作为工作原理的在线测量电路,不仅解决了上述所产生的缺陷,使得数据测量更准确;还开发了WiFi串口代替引线传输数据,为产品测量建立了网络数据库,以方便溯源.实验结果表明该系统不仅稳定,而且相对误差减小了9.7%,能满足在实际使用中的设计要求,验证了该方法的有效性.

简介：对熔体温度进行在线计量是获得高质量聚合物挤出制品的重要前提,也是目前挤出加工领域的主要研究课题之一.然而存在计量精度不高、校准困难、计量成本高、熔流扰动、耐用性不佳等一系列问题,且至今尚未开发出可大规模应用于挤出成型工业的熔体温度在线计量技术.文章对现有的聚合物挤出过程熔体温度在线计量技术进行综述,并对未来有望用于挤出工业生产环境的在线计量技术进行分析和展望,以期为聚合物挤出工业熔体温度在线计量技术的开发和应用提供参考.

简介：为了能够对鱼塘、河流的水质进行长时间的在线监测,本文设计了一款在线式多参数水质监测系统.该系统具有灵活多变的传感器接入能力及数据融合性能,可以实时跟踪水质参数的变化、追踪污染源、辅助渔民养殖.系统以STM32F103为核心处理器,包括传感器及数据处理电路,通过RS485/MODBUS协议与PC进行通讯.采集的水质参数包括温度、pH、ORP、电导率、水位等五个常用基本参数.

简介：随着国家对环境预警监测能力建设投入的加大以及地表水质监测技术的日趋成熟,氨氮在线监测仪在水质自动预警监测系统中得到了更为广泛的应用。为了确保氨氮在线监测仪量值的准确性和一致性,必须采用有效的手段对其量值进行溯源。本文在给出氨氮在线监测仪示值误差数学模型的基础上,对氨氮在线监测仪进行标准不确定度分量的A类评定和B类评定,在B类评定中综合考虑了稀释定容过程引入的不确定度、稀释取液过程引入的不确定度以及氨氮标准溶液引入的不确定度。经过合成得出氨氮在线监测仪测量结果的相对扩展不确定度为2.4%,满足氨氮在线监测仪检定要求。

简介：建立了在线基体消除离子色谱电导法测定碳酸锂中氯、硫酸根的方法。利用在线的样品中和制备模块（SPM）除去锂，将Li2CO3转化为H2CO3；然后利用CO2抑制模块（MCS），将H2CO3转化为CO2，消除CO32-对氯离子的干扰及对氯、硫酸根保留时间的影响。选用Supp5-150阴离子色谱柱，3.2mmol/L碳酸钠/1.0mmol/L碳酸氢钠作为洗脱液进行分离测定。该方法应用于实际碳酸锂样品中氯和硫酸根的测定，氯和硫酸根含量的RSD（n=6）分别为为0.51%～0.83%和1.2%～1.3%。该法简便、快速、准确、灵敏。

简介：针对深层超限学习机算法在网络层数较浅时样本特征利用率低,和网络层数较深时样本特征经高层抽象后有效性降低的问题,本文提出了两种密集连接的多层超限学习机算法:Dense-HELM和Dense-KELM.这种密集连接的网络结构,使样本特征信息在层与层之间被充分利用,能够在不增加网络深度的情况下,显著提高算法的识别精度.最后,对文中提出的两种算法在20组基准数据集上进行实验,结果显示:本文提出的算法可以显著提高算法的识别精度,减少算法的训练时间,这表明所提出的算法具有有效性和实用性.

简介：针对在不同的摄像头场景下,光线、摄像头参数的差异较大使得行人重识别困难的问题,提出一种基于距离度量学习的方法进行行人重识别.该方法首先为每一对摄像头学习一个距离度量模型.其次,根据上述因素的影响强度为这些度量模型赋予相应的权值.最后,对度量模型与其相应权值的乘积进行累加与优化,得到最终的距离度量模型.经过在两个公共数据集中进行行人重识别实验,其结果显示所提出的方法能够提高行人重识别的正确率.

简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.

简介：人脸识别已经广泛地应用于日常生活中,作为关键技术之一的人脸清晰度评价成为了热门的研究课题.然而,传统的手工提取特征的方法在效果和鲁棒性上都有所欠缺.为此,我们运用卷积神经网络实现特征的构造和选择,有助于提高评价结果的准确率.同时针对网络复杂、参数过多和耗时长等问题,还提出将传统的卷积结构改造成双卷积层结构的方法来提升计算速度.经过大量的实验表明,本文提出的人脸清晰度评价算法能够准确地进行人脸清晰度的评估,并且具有较快的处理速度.

简介：自智能交通系统出现以来,汽车驾乘员的安全带检测一直是备受关注的研究课题.依据城市道路的交通卡口监控数据,研究一种基于深度学习的汽车驾乘人员安全带检测算法,能够准确识别驾驶员是否佩戴安全带.通过对卡口图片进行人工标定,并运用深度学习方法训练两个检测器和一个分类器,最终实现安全带的快速定位和分类.本文提出的方法在城市道路卡口采集的图像上检测效果较好.

简介：人群分析在模式识别和机器学习领域内是一个非常有趣的课题.人群小群体成员之间的主从关系检测为视频监控和计算机视觉领域打开了新的视野.同时,小群体主导者的检测也是人群分析的重要组成部分.文章提出一种结构化SVM的学习框架,并结合行人的时间滞后分析特征和行人位置关系特征对小群体主导者进行预测.实验结果表明,本方法在人群分析数据集下取得了很好识别效果.

简介：软件的图形用户界面(GUI)的视觉设计影响着用户的使用体验.在没有既定标准的情况下,测试人员对GUI评分的主观性和大量的重复性工作,会造成GUI测试的评分偏差和效率低下.针对上述问题,本研究工作构建了基于云平台的软件GUI自动测试系统,分别使用HOG+SVM模型和AlexNet模型对GUI图像进行特征提取并分类.考虑到软件GUI数据样本量小,提出利用迁移学习策略改善AlexNet网络的性能.针对用户的多样性和算法对计算性能的需求,GUI自动测试系统部署在云平台上,用户可以对软件GUI进行实时评估.实验证明,系统用于GUI自动测试具有良好的性能,并且可以避免主观因素的影响以及减轻软件测试员的工作量.

简介：域自适应算法是一种能有效解决训练集（源域）和测试集（目标域）样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机（DDM-ELM）用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标：1）最小化源域样本的分类误差;2）通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3）利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.