【摘 要】
：
如今在大数据的时代下,有关深度学习的相关研究正在如火如荼的进行中,充足数量的训练样本已是神经网络模型训练的前提和基础,同时样本数据的空间分布和多样性保障着网络模型的鲁棒性和泛化能力,但在实际的生产和大数据的背景下,样本数据获取成本较高,或者获取到的数据存在大量的重复,或者需要的样本存在发生概率小,导致有用的样本数据数量十分有限,即出现“大数据,小样本”的问题,其中遥感图像领域也面临着同样的挑战,所
论文部分内容阅读
如今在大数据的时代下,有关深度学习的相关研究正在如火如荼的进行中,充足数量的训练样本已是神经网络模型训练的前提和基础,同时样本数据的空间分布和多样性保障着网络模型的鲁棒性和泛化能力,但在实际的生产和大数据的背景下,样本数据获取成本较高,或者获取到的数据存在大量的重复,或者需要的样本存在发生概率小,导致有用的样本数据数量十分有限,即出现“大数据,小样本”的问题,其中遥感图像领域也面临着同样的挑战,所以样本扩增技术的研究有着重要意义。针对上述的背景,本文研究基于深度学习的样本扩增技术,解决遥感图像领域样
其他文献
噪声污染问题日益严重,越来越多的人开始了解并意识到这个隐形的杀手正在侵蚀着我们的身心健康。人们的社会活动和音响设备发出的噪声,以及火车和飞机等交通工具发出的噪声与人们的生活状态,主观意愿高度关联,易导致睡眠障碍和压力等健康问题。这些噪声是因为低频信号无指向性而造成的。参量阵的出现可以解决这些问题,它可以按照使用者自己的意愿将声音定向投射到特定的区域,区域外瞬间衰减,就像手电筒一样可以发送出一束高聚
滚动轴承在现代生活生产中扮演极其重要的角色,若发生故障会对日常生活生产造成重大影响,同时也不可避免地造成经济损失。因滚动轴承故障的多样性和不确定性,为确定其状态具有难度。因此,对滚动轴承振动信号进行故障诊断分类具有十分重要的工程意义和应用价值。本文从滚动轴承的故障特征提取和故障诊断模型两方面入手,提出基于VMD-HHT边际谱法与SSA-DBN网络模型结合的故障诊断方法,主要工作有:(1)对目前故障
信息融合技术广泛运用于各个领域中,对智能信息社会的发展起到了决定性的作用。在机电设备可靠性系统中,信息融合技术也起到了关键作用,机电产品设备在设计、研发、生产和投入使用的过程中有很多的信息数据可以利用,如果能将相关信息进行融合就能够提高产品的可靠性。随着机电系统越来越复杂,信息源越来越多,机电系统的可靠性要求也越来越高,信息融合技术更是推动着可靠性领域发展。本文主要针对机电设备的可靠性信息融合的高
传统依靠于维修手册的设备维修方法普遍存在查阅不便、耗时长、失误率高等问题,手册查阅和维修操作执行的频繁切换容易使得维修人员的注意力无法集中,也逐渐无法满足工业4.0时代下更加智能、精密的工业设备的维修需求。为解决以上问题,并进一步提升维修效率、降低设备故障造成的损失和保障设备的高效运转,可以利用混合现实(Mixed Reality,MR)技术通过逼真的视觉效果和良好的交互方式等实现工业设备辅助维修
随着海洋强国战略的不断推进和持续深化,水声领域逐渐成为研究热门。水声目标识别是水声领域的研究重点,也是技术难点所在。它是对水中信号包含的噪音信息进行分析,并借此判断其性质、类别,主要依靠人工听音辨别或者是机器自动识别。人工听音辨别存在着种种局限,利用机器进行水声自动识别更能在实际生活中发挥更大作用。因此本文提出一种基于机器学习的水声目标识别技术来代替人工识别。根据真实的船舶噪声数据集进行分析,对水
遥感图像变化检测是通过分析不同时间同一地域的遥感图像,得到该地域的变化区域信息。遥感领域的变化检测在环境监控、资源管理、灾害评估等众多关系地区可持续发展的领域中发挥了重要作用,但目前还没有一种具有普适性的高可用方法。传统的变化检测通常只关注光谱信息,随着遥感图像精度的提升,其变化检测结果精度已不能满足要求。深度神经网络在图像领域有着突出的表现,能够通过学习提高模型在数据集上的特征提取能力,并在各类