简介:摘要:本论文旨在研究基于深度学习的图像处理算法在电子产品中的应用。对深度学习技术在图像处理领域的发展进行了综述,探讨了其在电子产品中的重要性。随着电子产品的普及和功能的增强,对图像处理算法的需求也日益增长,而传统的图像处理方法往往无法满足复杂场景下的要求。针对电子产品中常见的图像处理问题,提出了一种基于深度学习的解决方案。
简介:摘要:随着大数据时代的来临,当前深度学习正在蓬勃的发展,是非常流行的一门学科[1]。很多学者都在这个领域研究,他们的研究涉及深度学习在现实生活中的各个层面中[2]。研究的主要是实际的应用问题,比如在图像识别,语言翻译,生物医学方面。研究的主要卷积神经网络算法包括LeNet, AlexNet, VGGNet, GoogleNet,ResNet[3]。本文分析整理了大量的文献资料,主要从论文期刊的发表角度研究深度学习的发展状况。本文搜集了近20年发表的主题为深度学习的期刊论文,整理了深度学习文献的发表数量,研究主题,通过这些研究可以定位当前的研究现状和主要研究问题。
简介:【摘要 】数学学习应该是一个思维活动,而不是程序操练的过程,学生总是带着自己的数学现实参与课堂教学,不断地利用原有的经验背景对新的问题作出解释,进行加工,从而实现对新数学知识、数学思想的意义建构。数学课堂上精心设计问题情境和学习任务,引发学生认知冲突,组织深度探究的学习活动,关注对学生的持续性评价,这是深度学习的本源。
简介:摘要:无人机巡检已成为电力线路杆塔巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。本文提出了一种基于深度学习算法的实时目标检测模型,通过无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用 K-means算法对杆塔数据集的目标框进行重新聚类,改进了深度学习算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比较改进前有所提高,且平均均值精度达到 94.09%,检测速度达到 20顿 /s。此外,也对更快的简化版 YOLO模型进行了测试,检测速度能达到 30帧 /s。
简介:摘 要:神经网络是当今最具魅力的一个新兴学科生长点,已发展成为现代科学技术的新热点,其迅猛发展将对整个信息科学产生巨大的影响。神经网络在数学建模中的应用也非常的广泛。
简介:用不同于已有的方法证明了任意实Banach空间中一致Lipschitz强连接伪压缩算子在具误差的修正的Mann迭代和具误差的修正的Ishikawa迭代下收敛和稳定的等价性,其中迭代参数{βn}仅需limsupn→∞βn〈k/L(L+1),这推广和改进了目前需假设limn→∞βn=0和两迭代程序初始点的取值需相同条件下的已有结果.