【摘 要】
：
基于人工表面等离激元的概念,提出一种可应用于复合材料无损检测的超薄微波传感器。其相比于传统的微波传感器拥用更大的感应区域。利用人工表面等离激元波导支持长距离弯折传输的特性到微波传感器的设计。以两种弯折形状的传感器为例,通过仿真获得相应的S参数来分析弯折所带来的损耗。通过分析传感器表面的电场分布,研究传感器对复合材料无损检测的作用机理。最后,通过实验验证传感器的有效性。
论文部分内容阅读
基于人工表面等离激元的概念,提出一种可应用于复合材料无损检测的超薄微波传感器。其相比于传统的微波传感器拥用更大的感应区域。利用人工表面等离激元波导支持长距离弯折传输的特性到微波传感器的设计。以两种弯折形状的传感器为例,通过仿真获得相应的S参数来分析弯折所带来的损耗。通过分析传感器表面的电场分布,研究传感器对复合材料无损检测的作用机理。最后,通过实验验证传感器的有效性。
其他文献
为了解决遗传算法在规划AGV路径时存在陷入局部最优,收敛速度慢,且忽略多AGV和真实运行路况的影响,对算法进行改进。采用三交换启发交叉算子代替传统的两交换启发交叉算子,防止陷入局部最优并能提高收敛速度。在适应度函数中引入拥堵系数和路径平滑程度,提高适应度的判断能力,使规划的路径更加符合实际。仿真结果表明,与传统蚁群算法相比,提高跳出局部最优解的能力;与传统遗传算法和Dijkstra算法相比,所规划的路径长度下降52.2%,收敛时间减少19.4%;并能选择较少的转弯数和最少AGV数量的路径,从而减少AGV总
识别胸部计算机断层扫描图像中的恶性肺结节对肺癌早期筛查至关重要。肺结节良恶性分类任务目前广泛采用深度神经网络方法,然而,小样本问题始终阻碍着它在此任务上的性能。我们提出一个多任务肺结节分类残差网络(MTLNC-Net)来解决肺结节良恶性分类任务上的小样本问题。该网络使用肺结节的形态特征作为良恶性分类的辅助监督信号。我们使用LIDC-IDRI数据集来验证提出的方法。结果表明,MTLNC-Net能够有
现代医学技术的进步离不开医学影像的辅助诊断,随着CT技术应用越来越广泛,如何能够用更少剂量的X射线重建出更清晰的CT图像成为了众多学者的研究目标。以深度学习为基础的卷积神经网络图像去噪技术近年来发展迅速。本文提出一种以多层空洞卷积来提取特征的卷积神经网络模型用于低剂量CT图像去噪,并通过实验证明该模型在低剂量CT图像去噪方面的良好表现以及在不同条件下该网络模型的实用性。
生产车间实现无人车搬运货物首要需求是实时检测目标。基于YOLOv4深度学习目标检测网络,对生产车间的托盘、货物、工人进行检测。使用可见光相机拍摄车间在每日不同时段的作业场景,对采集的图像进行标注,数据增强后训练模型,测试效果并评估性能。网络模型准确率达到96.45%,检测结果可靠,每张图像平均检测耗时0.0358s,能够满足实时。与使用Faster R-CNN准确度接近,检测速度提升12帧/秒。相
深度学习已被大量应用于图像去雾领域,并取得优异表现。但现有的网络模型往往深度较深且包含大量参数,这会降低运算效率。为了实现轻量级网络和保持良好性能,提出了多尺度轻量级图像去雾网络(Multi-scale Lightweight Network,MLNet)。使用多支路设计和多尺度卷积提取不同层次的特征信息,在网络中进行特征融合后重建残差图像。最终使用残差图像与输入图像求和得到恢复图像。实验结果表明
网络安全形势日益严峻,从威胁情报中抽取网络安全实体及其关系,构建结构化威胁情报信息,对于网络安全从业人员来说尤为重要。过去的工作主要利用基于特征的模型来完成,不仅耗时,还需要完成大量的特征工程任务,为威胁情报信息抽取研究带来巨大的挑战。基于上述情况,为了降低任务对特征工程的需求,提出一个基于神经网络模型的威胁情报信息抽取方法(TIIE),一方面,采用长短时记忆神经网络(LSTM)进行命名实体识别任务,并利用条件随机场(CRF)模型实现序列标签之间的约束性;另一方面,结合长短时记忆神经网络模型和最短依赖路径
近年来,随着深度学习技术的快速发展,基于深度学习的目标检测研究不断涌现。通过采用系统性文献综述方法对目标检测领域的156篇文献进行回顾,梳理出目标检测领域四个不同的研究问题,并对目标检测应用、数据集、主流深度卷积神经网络模型和框架进行总结。
跨模态人脸识别是人脸识别领域的一个重要方向,在安防、刑侦等实际场景有及其重要的应用。目前的跨模态人脸识别方法主要集中解决单个的跨模态问题,如近红外到可见光跨模态人脸识别、远红外到可见光跨模态人脸识别,素描图像到可见光人脸识别等问题。针对现实应用场景下更为复杂的情形,低精跨模态人脸识别问题由此提出。在此问题上,基于身份保持的循环生成对抗网络与基于三元组损失的模态不变特征表示相结合的方法,能够有效解决
针对当前电力信息系统高维数据规模越来越大,数据降维处理难度越来越高,本文提出采用数据挖掘的高维数据降维处理方法模型,给出数据处理系统架构,阐述基于日志时间的降维关联挖掘方法,设计基于隔离森林的数据降维检测算法,通过实验验证该模型的可行性。
DeepLabv3+是目前语义分割领域最为先进的模型之一,Google将Deep Labv3模型作为编码器的基础上创新性的加入解码器结构,强化了模型恢复空间分辨率与位置信息的能力,显著提升了分割效果,并在PASCAL VOC2012数据集上达到了SOTA(State Of The Art)。但模型仍然保留在编码器中引入下采样和空洞卷积进行特征提取,造成大量细节信息丢失,最终导致图像的边缘分割效果不