|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺
.jpg){kind=logo}
一種基于數(shù)字指紋技術(shù)的三維模型版權(quán)保護(hù)方法
本發(fā)明公開了一種基于數(shù)字指紋技術(shù)的三維模型版權(quán)保護(hù)方法。以三維網(wǎng)格模型的重心為原點(diǎn)建立球面坐標(biāo)系得到每個頂點(diǎn)的球面坐標(biāo)，對球面坐標(biāo)的經(jīng)緯角數(shù)據(jù)聚類，得到三維網(wǎng)格模型分塊特征矩陣；將該分塊特征矩陣進(jìn)行離散小波變換得到低頻系數(shù)，對低頻系數(shù)作奇異值分解，同時對指紋信息做數(shù)字全息變換后置亂，并將置亂的信息進(jìn)行奇異值分解，將得到的奇異值加性嵌入到分塊特征矩陣的奇異值上，作相應(yīng)的逆變換得到含指紋信息的分塊特征矩陣；計算各塊內(nèi)頂
華中科技大學(xué)
2021-04-14
一種用于數(shù)字高程模型的超分辨率方法及其系統(tǒng)
本發(fā)明公開了一種數(shù)字高程模型 DEM 超分辨率的方法，包括：建立高分辨率 DEM 與低分辨率 DEM 的位置映射，對每一個低分辨率DEM 測試區(qū)的子區(qū)域在低分辨率 DEM 搜索區(qū)進(jìn)行相似塊查找與相似性估計，選取相似性最高的一系列子區(qū)域作為相似塊，將查找到的一系列相似塊映射回高分辨率 DEM 實測區(qū),將這些對應(yīng)的高分辨率 DEM實測區(qū)子區(qū)域塊按其對應(yīng)的相似權(quán)重相加得到一個新的子區(qū)域,將上述超分辨率后的高分辨率 DEM 缺失區(qū)的子區(qū)域拼接起來，加上高分辨率 DEM 實測區(qū)已有的數(shù)據(jù)就為一個完整的高分辨率
華中科技大學(xué)
2021-04-14
一種基于逆向子結(jié)構(gòu)的有限元模型修正方法
本發(fā)明公開了一種基于逆向子結(jié)構(gòu)的有限元模型修正方法。該 方法包括以下步驟：首先，測量實際工程結(jié)構(gòu)的試驗?zāi)B(tài)，建立整體 結(jié)構(gòu)的試驗?zāi)B(tài)；通過獨(dú)立子結(jié)構(gòu)試驗?zāi)B(tài)參數(shù)和整體結(jié)構(gòu)試驗?zāi)B(tài) 參數(shù)之間的關(guān)系，將整體結(jié)構(gòu)的試驗?zāi)B(tài)分解為獨(dú)立子結(jié)構(gòu)的試驗?zāi)?態(tài)；然后，基于獨(dú)立子結(jié)構(gòu)的試驗?zāi)B(tài)建立目標(biāo)函數(shù)，調(diào)整獨(dú)立子結(jié) 構(gòu)參數(shù)，使目標(biāo)函數(shù)最小化，獲取子結(jié)構(gòu)最優(yōu)結(jié)構(gòu)參數(shù)，根據(jù)所述最 優(yōu)結(jié)構(gòu)參數(shù)修正獨(dú)立子結(jié)構(gòu)有限元模型；最后，根據(jù)結(jié)構(gòu)損傷前后有 限元模型結(jié)構(gòu)參數(shù)的變化完成結(jié)構(gòu)損傷識別。本發(fā)明通過修正獨(dú)立子 結(jié)構(gòu)模型，避免
華中科技大學(xué)
2021-04-14
考慮熱量積累效應(yīng)的相變存儲器單元 SPICE 模型系統(tǒng)及應(yīng)用
本發(fā)明公開了一種相變存儲器單元 SPICE 模型系統(tǒng)，包括：單 元電阻模擬模塊，用于模擬相變存儲器單元電阻；溫度計算模塊，用 于針對施加的連續(xù)脈沖序列，計算每個脈沖信號結(jié)束時刻考慮脈沖信 號下熱量積累效應(yīng)的存儲器單元相變層溫度；晶化速率計算模塊，用 于計算單位時間內(nèi)發(fā)生晶化的相變層體積；非晶化速率計算模塊，用 于計算單位時間內(nèi)發(fā)生非晶化的相變層體積以及相變模塊，用于選擇 晶化速率或非晶化速率計算非晶化率。本發(fā)明還公開
華中科技大學(xué)
2021-04-14
多參數(shù)模型指導(dǎo)的迭代提取血管造影圖像運(yùn)動參數(shù)的方法
本發(fā)明公開了一種多參數(shù)模型指導(dǎo)的迭代提取血管造影圖像運(yùn)動參數(shù)的方法，包括：從造影圖序列的醫(yī)學(xué)圖像中自動選取 I 個血管結(jié)構(gòu)特征點(diǎn)，并分別對這些特征點(diǎn)在整個造影圖序列中進(jìn)行自動跟蹤，以得到每個特征點(diǎn)的跟蹤序列，利用離散傅里葉變換對每個特征點(diǎn)的跟蹤序列進(jìn)行處理，以生成離散傅里葉變換結(jié)果 Si(k)，初始化迭代參數(shù) j＝0，并獲取離散傅里葉變換結(jié)果 Si(k)中各頻點(diǎn)的幅度和頻率范圍，在各頻點(diǎn)的幅度和頻率范圍中對該頻點(diǎn)的跟
華中科技大學(xué)
2021-04-14
山體背景熱場模型約束的地下熱源晝間遙感探測定位方法
本發(fā)明公開了一種山體背景熱場模型約束的地下熱源晝間遙感·769·探測定位方法，屬于遙感技術(shù)、自然地理和模式識別的交叉領(lǐng)域，意在于對山體背景進(jìn)行熱場仿真，得到山體背景的熱場模型，以熱場模型為約束，對原始遙感紅外圖像進(jìn)行背景濾波，清晰的揭示地下目標(biāo)所在的位置。本發(fā)明包括山體背景熱場模型建立步驟、山體背景熱場8 位到 16 位映射步驟、利用映射后的山體背景熱場模型進(jìn)行背景濾波步驟、地下目標(biāo)空間約束均值聚類探測
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于近鄰原則合成情感模型的說話人識別方法
本發(fā)明公開了一種基于近鄰原則合成情感模型的說話人識別方法，包括：(1)訓(xùn)練出參考語音和用戶中性語音的模型；(2)提取GMM參考模型的中性-情感高斯分量映射集；(3)提取與用戶的中性訓(xùn)練高斯分量鄰近的若干中性參考高斯分量映射的情感參考高斯分量；(4)合成出用戶的情感訓(xùn)練高斯分量，進(jìn)而得到用戶的情感訓(xùn)練模型；(5)合成出所有用戶的GMM訓(xùn)練模型；(6)輸入測試語音進(jìn)行識別。本發(fā)明采用基于KL散度的近鄰原則從語音庫中提取若干與用戶的中性訓(xùn)練語音相似的參考語音，用參考語音中的情感參考語音合成出用戶的情感訓(xùn)練語音，改善了在訓(xùn)練語音與測試語音失配情況下說話人識別系統(tǒng)的性能，提高了說話人識別系統(tǒng)的魯棒性。
浙江大學(xué)
2021-04-13
.jpg){kind=logo}
基于聚類分析的復(fù)合材料結(jié)構(gòu)有限元模型修正方法
本發(fā)明提供了一種基于聚類分析的復(fù)合材料結(jié)構(gòu)有限元模型修正方法，建立初始有限元分析模型，測得結(jié)構(gòu)的實驗?zāi)B(tài)頻率和模態(tài)振型，計算待修正參數(shù)的相對靈敏度矩陣，利用分層聚類算法對待修正參數(shù)進(jìn)行參數(shù)分組，再對聚類參數(shù)進(jìn)行相對靈敏度分析，選擇各參數(shù)中相對靈敏度平均值最大的聚類參數(shù)進(jìn)行修正，構(gòu)造分析模型的模態(tài)頻率和實測模態(tài)頻率的殘差向量，建立分析模型修正所需的目標(biāo)函數(shù)，構(gòu)建目標(biāo)函數(shù)的優(yōu)化反問題對復(fù)合材料結(jié)構(gòu)的有限元模型進(jìn)行修正。本發(fā)明結(jié)合數(shù)值模擬、試驗和優(yōu)化技術(shù)，采用參數(shù)的相對靈敏度矩陣進(jìn)行聚類分析，減少待修正參數(shù)數(shù)量，提高修正程序穩(wěn)定性，為工程應(yīng)用提供了一種準(zhǔn)確的基于數(shù)值模擬、試驗和優(yōu)化相結(jié)合的復(fù)合材料等效有限元模型參數(shù)修正方法。
東南大學(xué)
2021-04-11
大學(xué).jpg){kind=logo}
基于多模態(tài)融合模型的平板顯示視覺舒適度預(yù)測方法、系統(tǒng)
本發(fā)明涉及顯示技術(shù)與人機(jī)交互交叉領(lǐng)域，提供基于多模態(tài)融合模型的平板顯示視覺舒適度預(yù)測方法、系統(tǒng)，其中方法包括：步驟一、采集原始圖像集，針對每一原始圖像，運(yùn)用生成對抗網(wǎng)絡(luò)模型將輸入的隨機(jī)序列轉(zhuǎn)換為增強(qiáng)素材，再將增強(qiáng)素材和原始圖像按預(yù)設(shè)比例融合，獲得若干新圖像；步驟二、采集生理特征和物理特征，獲得訓(xùn)練樣本；步驟三、基于堆疊集成框架訓(xùn)練多模態(tài)融合模型；步驟四、輸入測試數(shù)據(jù)，獲得視覺舒適度預(yù)測結(jié)果。本發(fā)明旨在解決平板顯示視覺舒適度預(yù)測領(lǐng)域高質(zhì)量標(biāo)注樣本稀缺、單一模態(tài)分析耦合關(guān)系缺失、場景適配性差的問題。
南京工業(yè)大學(xué)
2021-01-12
.jpg){kind=logo}
基于神經(jīng)網(wǎng)絡(luò)模型BP算法的嵌入式礦壓檢測方法
本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)模型 BP 算法的嵌入式礦壓檢測方法法，首先根據(jù)根據(jù)待檢測區(qū)域的地域情況，采用多個振弦式壓力傳感器進(jìn)行測量；然后 ARM7 處理器根據(jù)系統(tǒng)任務(wù)個數(shù)建立相應(yīng)的進(jìn)程；最后在建立的任務(wù)中打開定時器，輸出一個固定在某一頻率范圍內(nèi)的脈沖，經(jīng)過驅(qū)動激振電路，產(chǎn)生一個能對振弦式壓力傳感器內(nèi)部振弦起振的信號，同時使用 ARM7處理器對振弦式壓力傳感器返回的脈沖信號進(jìn)行頻率測量，計算得到壓力值，最后，利用溫度傳感器采集振弦周圍區(qū)域的溫度，采用 BP 算法建立神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)網(wǎng)絡(luò)模型對得到的各組壓力數(shù)據(jù)及采集的溫度數(shù)據(jù)進(jìn)行學(xué)習(xí)，并根據(jù)神經(jīng)網(wǎng)絡(luò)模型找出壓力隨溫度的變化規(guī)律，對振弦式傳感器進(jìn)行溫度補(bǔ)償。
安徽理工大學(xué)
2021-04-13