基于wifi和android的智能手机开门系统设计

采用智能手机平台上开发的APP软件,以及WIFI转串口模块,单片机控制模块,电机驱动模块,实现智能手机开启车库门。改变了传统的钥匙开门和遥控器无线开门方式,使得车主无需离开车辆、无需携带开门工具,即可实现车库门的启闭。同时为将来扩展智能家居提供了条件。

数字人文视域下云锦图像本体识别模型构建及应用研究

云锦是中国丝织工艺的最高成就,是中华民族和全世界珍贵的历史文化遗产,蕴含着丰富的历史人文和社会经济价值,享有"锦中之冠"的美誉。为了分析不同材料云锦图像上的差异,并利用计算机技术分辨不同材料的云锦,完成云锦图像的自动识别,本研究项目收集了多个不同样本的云锦,获取云锦图像,并对云锦图像进行去噪,依据云锦类别设置标签;使用不同云锦图像的兴趣区域,并采用5个尺度、8个方向的Gabor滤波器组对兴趣区域进行滤波,提取Gabor纹理特征;对特征进行采样,并对采样后的特征进行分析;最后,使用贝叶斯、KNN等分类器分类,学习分类器对采样特征进行分类、分析,完成了12种云锦图像的分类。实验结果表明,使用KNN分类器对云锦特征进行分类,12个类别的云锦图像分类精度为56.31%。表明不同类别的云锦图像能够在纹理上进行区分,计算机自动识别工艺繁复非遗图像是可行的。

基于Gabor特征的乳腺肿瘤MR图像分类识别模型

为研究乳腺肿瘤核磁(Magnetic Resonance,MR)图像纹理分析在鉴别乳腺纤维瘤(fibroadenoma of breast,FB)、浸润性导管癌(invasive ductal carcinoma,IDC)和浸润性小叶癌(invasive lobular carcinoma,ILC)中的临床应用价值,选择MR图像的兴趣区域并使用小波变换对MR图像进行分解,结合K-means算法完成对肿瘤区域的勾画。使用Gabor小波从8个方向、5个尺度对兴趣区域滤波,并将肿瘤部位的均值作为特征。对提取的特征进行分析、筛选,得到关键特征。比较支持向量机、贝叶斯、神经网络等不同的分类算法对关键特征进行分类预测,计算分类的准确度、灵敏度和特异性,得到最适用于分类模型的参数设置。乳腺MR图像纹理分析能够区分出常见的三类乳腺肿瘤,预测精度为77.36%。乳腺MR图像在鉴别FB、IDC和ILC方面具有重要的临床价值。

基于特征选择算法的ECG信号分类

为了提高不同类别心电图(Electrocardiogram,ECG)信号的识别精度,使用小波分析提取心电信号特征,并使用分段距离的特征筛选方法对特征进行筛选排序,去除冗余和干扰特征,挑选出关键特征。通过缩减特征数量,提高分类的精度和效率。结合机器学习分类器对特征进行分类,比较分类效果。结果显示,在MIT-BIH数据集上,本方法的分类精度比不使用特征选择分类精度高0.22%,分类精度最高达到99.67%。试验证明本研究提出的模型能够区分4种常见的ECG信号,较传统方法优势明显。