个性化PowerPoint模板的设计和制作

通过实例给出了制作个性化PowerPoint模板的主要步骤和方法。

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。

基于卷积神经网络的高分辨距离像目标识别

特征提取是基于高分辨距离像进行雷达目标识别的关键技术。传统的人工提取特征的算法,只利用了浅层结构特征,不可避免会带来信息损失,从而导致目标识别方法的泛化性不强。针对上述问题,文中尝试引入深度学习工具,提出了一种基于卷积神经网络的目标识别方法。通过构造适用于处理高分辨距离像的卷积神经网络模型,优化深度学习参数,充分发掘高分辨距离像所包含的目标深层次属性特征,实现稳健的自动特征提取,完成目标分类。最后,基于实测数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。

基于元学习的雷达小样本目标识别方法及改进

基于深度学习的雷达目标识别方法近年来获得较大关注,但实战中存在时效性约束和资源限制,小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题,本文基于元学习算法,通过从多个相关任务中学习到的元知识改善新任务的性能,引入迁移学习思想,提出一种改进的小样本学习方法,并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明,元学习方法在历史积累样本所含目标类别较多,与目标任务相关度较大的极小样本情况下,性能优势才突出,所提方法可显著提升其综合识别性能。

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile, HRRP)的雷达目标识别的关键技术之一。传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性。对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边界条件。通过构造适合处理HRRP的卷积神经网络(convolutional neural network, CNN)模型,充分发掘目标深层次姿态不敏感属性特征,完成高精度目标识别。基于实测数据的实验结果表明,所提方法具有一定的抗姿态敏感性特性,边界条件分析可为该方法的工程化应用提供指导。

面向机器学习的高分辨距离像对齐算法

平移敏感性问题是机器学习方法应用在基于高分辨距离像的雷达目标识别领域的重要限制。在实际雷达工作场景中,高分辨距离像中的目标可能出现在高分辨距离像的不同位置,导致将高分辨距离像作为样本向量直接输入机器学习系统时不同样本的相同特征维度代表信息不统一,严重制约了机器学习系统的性能。针对这一问题,文中尝试建立高分辨距离像样本集对齐的目标函数,并给出该目标函数的近似解。在将高分辨距离像样本集进行对齐处理后,使用机器学习方法进行基于高分辨距离像的雷达目标识别的性能将得到显著提升。基于实测数据对该方法进行了性能验证,实验结果证实了该方法的有效性。

基于语音识别系统的电梯楼层选择装置

本文利用语音识别系统收集语音信息,利用单片机控制电机旋转,将电梯模型拉升或者下降,并且将楼层的信息和上下行的提示显示在显示屏上。文中的语音识别系统的电梯楼层选择装置的设计主要用于减少与电梯按钮的接触,进而减少病毒的传播。