全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 基于深度学习的离场航空器滑行时间预测（英文）
- 作者： 李楠 焦庆宇 朱新华 王少聪 来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 场面运行 滑行时间 深度学习 航空运输
- 描述： 随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。
- 基于深度神经网络的遥感图像飞机目标检测
- 作者： 李文斌 何冉 来源： 计算机工程 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像 卷积神经网络 目标检测 密度聚类 像素级标签
- 描述： 针对遥感图像飞机检测中存在的背景复杂和目标尺度变化大等问题,提出基于深度神经网络的遥感图像飞机目标检测模型DC-DNN。利用图像底层特征制作像素级标签完成全卷积神经网络(FCN)模型训练,将FCN
- 基于深度神经网络的遥感图像飞机目标检测
- 作者： 李文斌 何冉 来源： 计算机工程 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像 卷积神经网络 目标检测 密度聚类 像素级标签
- 描述： 针对遥感图像飞机检测中存在的背景复杂和目标尺度变化大等问题,提出基于深度神经网络的遥感图像飞机目标检测模型DC-DNN。利用图像底层特征制作像素级标签完成全卷积神经网络(FCN)模型训练,将FCN
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural
- 基于深度学习的航空发动机齿轮故障诊断
- 作者： 万安平 杨洁 王景霖 陈挺 缪徐 黄佳湧 杜翔 来源： 振动.测试与诊断 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机 卷积神经网络 多传感器信息融合 故障诊断 深度学习
- 描述： dimensional convolutional neural network，简称1D-CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类，建立齿轮故障一维卷积神经网络模型，对航空发动机轴承进行
- 面向航空目标检测的神经网络加速器设计
- 作者： 施立瑞 王帅帅 肖昊 来源： 航空科学技术 年份： 2022 文献类型 ： 期刊 关键词： 卷积神经网络 FPGA 目标检测 Winograd算法 加速器
- 描述： 卷积神经网络被广泛应用于航空图像目标检测领域。然而，由于航空图像成像背景环境复杂、目标尺寸小且方向任意，为了提取更高层次的特征信息，神经网络模型的结构复杂度不断提高，使得模型计算复杂度高、计算时间长