公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

一种机动发射可折叠式微型共轴双旋翼悬浮装置: 一种机动发射可折叠式微型共轴双旋翼悬浮装置，属于无人机结构设计和应用技术领域。所述机动发射可折叠式微型共轴双旋翼悬浮装置包括负载与供能仓、飞控仓、传动仓、操纵机构、旋翼机构和驱动机构，负载与供能仓顶部与飞控仓的底部连接，...; 郝永平徐九龙李伦白帆王磊张嘉易; 文献传递

智能封控子弹药组网技术研究被引量：1: 2017年; 阐述了智能封控子弹药的工作流程,设计相应通讯硬件来完成封控子弹药系统的物理实现.通过AODV协议实现智能封控子弹药的自组网,从而实现战场信息的交互.实验结果表明,该系统能够为封控子弹药信息获取、传输、交互、显示和攻击提供通讯基础,完成封锁和控制特定区域的任务.; 俞洋王玲白帆; 关键词：AODV协议自组网

一种机动发射可折叠式微型共轴双旋翼悬浮装置: 一种机动发射可折叠式微型共轴双旋翼悬浮装置，属于无人机结构设计和应用技术领域。所述机动发射可折叠式微型共轴双旋翼悬浮装置包括负载与供能仓、飞控仓、传动仓、操纵机构、旋翼机构和驱动机构，负载与供能仓顶部与飞控仓的底部连接，...; 郝永平徐九龙李伦白帆王磊张嘉易; 文献传递

基于发动机振动信号的异常检测算法研究: 2025年; 振动信号分析作为一种有效的故障诊断手段,可以检测设备的微小振动,识别潜在的异常或故障。目前通过振动参数诊断发动机故障类型的系统领域仍未被充分开发,现有的振动信号诊断方式也存在较多缺陷。该文提出一种基于卷积神经网络深度学习和信号分解算法的发动机振动信号异常检测算法。首先,通过比对实验对比信号分解算法的分解速度、质量、抗干扰能力等因素,根据研究内容针对信号分解算法缺陷进行比较,选用最佳的信号分解算法,并采用信号分解算法对振动信号进行预处理,提取其特征并生成能量谱图。这一步骤通过有效地分解振动信号,捕捉到了其本质特征。然后,利用MobileViT卷积神经网络对预处理后的信号进行分类识别。MobileViT卷积神经网络在处理视频图像方面表现出色,其优越的性能确保了分类的高准确性和鲁棒性。实验结果表明,该算法在振动信号的分类准确性和泛用性上具有显著优势。大量实际振动信号数据验证结果证明该算法在实际应用中的有效性和可靠性,特别是在发动机振动信号的异常检测中,算法展示了出色的故障识别能力。; 陈为科彭亮白帆; 关键词：卷积神经网络

一种基于便携式Ad Hoc网络的无线图文信息采集监视装置: 本实用新型提供一种基于便携式Ad Hoc网络的无线图文信息采集监视装置，涉及通讯技术领域。该装置包括图文信息采集节点、图文信息转发节点和图文信息显示节点三部分；图文信息采集节点、图文信息转发节点和图文信息显示节点通过Ad...; 傅国强华于宁郝永平武永健张德育刘猛白帆程旭张大伟; 文献传递

基于扩散模型的图像去噪方法研究被引量：1: 2023年; 随着图像处理领域的不断发展,图像噪声处理成为该领域中的主要研究问题之一。为了去除时频图像在获取和传输过程中的噪声,提高图像质量,对不同神经网络进行实验,以确定某种方法能够有助于更好地去除时频图形中的噪声。使用的深度学习方法包括变分自编码器(Variational Auto-Encoder,VAE)和扩散模型。变分自编码器可以学习到数据的特征表示,通过将输入数据映射到潜在空间中,从潜在空间中采样一个随机向量,将采样得到的潜在变量映射回重构空间,并在解码器中重构出去噪后的输出数据,学习数据的潜在分布,达到去除时频图像噪声的目的。另一种是基于LoRA(Low-Rank Adaptation of Large Language Models,LoRA)的扩散模型算法,不同于传统深度学习去噪模型,该方法通过引入LoRA模块,将时频图像的噪声去除分为两个部分,分别学习时频图像的噪声分布以及时频图像的特征描述文本,从而减少网络在训练过程中的训练参数,实现了对时频图像的噪声去除。通过实验对比,去噪效果比较好的是基于LoRA的扩散模型,峰值信噪比和结构相似度均高于变分自编码器模型。; 薛永航白帆李娜; 关键词：神经网络图像质量

基于深度学习的无人机通讯信号识别技术研究: 2025年; 随着无人机技术的发展,无人机已然成为战争中不可忽视的战场支持设备。在目前例如俄乌战场的局部战争中,军用无人机效果好、难干扰但是成本较高,双方更多采用价格更为低廉的民用无人机,只需要小小的改造便具备杀伤能力,价格低廉、改造容易,对国防安全特别是民众安全提出了新的挑战。针对这一问题,该文提出一种基于深度学习的无人机通讯信号识别技术。使用基于Open IPC的民用无人机作为目标,通过软件定义无线电(SDR)实验设备接收无人机图传通讯信号,采用YOLOv9算法进行信号识别模型的训练和测试,结合HackRF One设备的特性,利用下混频算法处理采集到的信号,以确保信号在设备限制内得到合理的实验结果。实验结果显示,针对调制模式的识别模型准确率为78.62%,而针对传输协议的识别模型准确率为92.21%。在置信度曲线的分析中,Wi-Fi和无人机(UAV)类别的F1分数在大部分置信度范围内都保持高水平,表明模型在这些类别上的识别表现非常好。针对不同调制方式信号的识别效果则存在一定差异,其中64QAM信号在中等置信度下表现最佳,而BPSK信号在低置信度下识别效果较好。该技术结合多种识别模型的结果,实现了对无人机通讯信号的有效识别。; 陈为科曹文瀚白帆

全选清除导出

共1页<1>

白帆