学科分类
/ 1
7 个结果
  • 简介:三面环山,正南面山顶上一面五星红旗高高飘扬十分醒目,一座面积仅80平方米的夫妻哨所孤单地伫立在山脚下。这片大山深处的U形地界正是第十六集团军某装甲团的实弹射击场,李建利、刘力红夫妇数年如一日地坚守在这里。那年,射击场正式建成之初,团里需要选派一名生活上吃苦耐劳、工作上兢兢业业、特别是能忍受大山深处所带来的孤单寂寞感的战士来担负射击场看管任务,其实全团所有官兵都知道,战士李建利是最好的人选,可就是谁都不愿意张这个口,

  • 标签: 夫妻 射击场 五星红旗 吃苦耐劳 装甲团
  • 简介:在宁静的夜晚,天穹中一颗淡红色的行星在缓慢运行,这就是人们熟悉的“火星”,西方称之为Mars。火星是绕太阳运行的第4颗行星,是地球的近邻。火星的直径相当于地球的半径,体积接近地球的15%,质量只有地球的1/10,其表面是一个大气极其稀薄、寒冷而荒芜的死寂世界。

  • 标签: 地球火星 火星图
  • 简介:针对峭度谱(Kurtogram)无法有效区别振动信号中的瞬态故障冲击和脉冲噪声,难以准确提取微弱的滚动轴承故障特征的问题,提出一种基于加权峭度(WeightedKurtosis,WK)的滚动轴承故障特征提取方法,通过固定设置滤波带宽,利用加权峭度识别共振中心频率,确定带通滤波器的滤波中心频率和带宽,结合包络分析提取滚动轴承故障特征,并通过采集变速箱滚动轴承振动数据对该方法进行了验证。结果表明:该方法能够有效克服峭度谱的缺陷,稳健识别滚动轴承共振中心频率,准确提取滚动轴承故障特征,验证了该方法的有效性。

  • 标签: 峭度谱 加权峭度(WK) 滚动轴承 特征提取
  • 简介:5月12日,《广州日报》发表连海平的同名文章指出:数字阅读成为互联网时代的“新宠”,但隐忧也日益凸现:低质文本泛滥、阅读形式碎片化、盗版与剽窃大行其道等,数字阅读是未来的大趋势.必须保障其健康发展.保障读者有健康的、优质的阅读内容。

  • 标签: 数字阅读 人才工程 《广州日报》 互联网时代 阅读形式 阅读内容
  • 简介:针对行星齿轮传动故障诊断中的信号故障特征微弱、特征提取困难等问题,提出了基于自适应聚合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)和样本熵(SampleEntropy,SE)的行星齿轮箱故障特征提取方法。首先,针对EEMD结果存在较大的盲目性和主观性等问题,提出自适应EEMD方法;然后,使用此方法将行星齿轮箱振动信号分解为若干个固有模态函数(IntrinsicModeFunctions,IMF)分量,通过相关性分析选取含有齿轮状态特征信息的IMF分量并对信号进行重构,计算重构信号样本熵值,以此判断行星齿轮箱的运行状态;最后,对行星齿轮箱故障模拟试验台采集的2种状态振动信号的自适应EEMD样本熵进行求解,并与直接样本熵、EEMD样本熵等特征提取方法对比,验证了自适应EEMD样本熵具有更好的分类能力。

  • 标签: 行星齿轮箱 聚合经验模态分解(EEMD) 样本熵(SE) 特征提取
  • 简介:为提高无人车行驶过程中前方车辆检测的准确性和实时性,提出了基于激光雷达(LIghtDetectionAndRanging,LIDAR)深度信息和视觉方向梯度直方图(HistogramsofOrientedGradients,HOG)特征的车辆识别和跟踪方法。目标首次进入视野时,聚类处理激光雷达深度信息并确定假设目标的候选区域,采用车辆尾部的HOG特征对假设目标进行验证。在HOG特征验证前,基于最小二乘支持向量机(LeastSquaresSupportVectorMachine,LS-SVM)算法对样本集HOG特征进行训练学习,生成车辆分类器模型。对于验证后的目标车辆,采用激光雷达获取的深度信息对目标车辆进行持续跟踪。构建了2种车辆模型,结合最小二乘直线拟合方法提取出车辆特征,生成目标模型。同时,提出了基于多特征马氏距离的目标关联代价方程,实现了多目标的关联;完成了基于卡尔曼滤波的车辆状态滤波和位置估计,更新了跟踪器模型。通过有效的管理策略,实现了目标跟踪的3个状态:1)初始化模型的生成;2)跟踪过程中跟踪器的更新与预测;3)目标驶离视野时跟踪器的删除。最后,通过试验验证了跟踪算法的有效性。

  • 标签: 激光雷达(LIDAR) 视觉 车辆识别 车辆跟踪 数据关联
  • 简介:本文通过对新媒体的定义和构成要素的分析,提出新媒体的“五维度要素观”并对其内涵做出了进一步阐释。采取问卷调查和随机访谈方式,选取南北疆6所本科院校的大一到大四的本科生为调查对象,对新疆高校大学生的新媒体素养现状进行了调查。从七个方面对其差异性进行了对比分析、总结,针对存在的问题提出了相应的建议,以期改善新疆高校的新媒体环境,提高新疆高校大学生的新媒体素养。

  • 标签: 高校大学生 新媒体素养 差异性分析