首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   10篇
  免费   0篇
林业   1篇
综合类   9篇
  2024年   1篇
  2023年   1篇
  2022年   1篇
  2015年   1篇
  2012年   1篇
  2010年   2篇
  2009年   1篇
  2008年   2篇
排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
指出了旅游翻译作为中国文化对外传播的一种重要途径,其翻译质量的提高对于维护我国旅游形象和传播我国旅游文化尤为重要。运用关联理论,探讨了在“文化走出去”语境下我国旅游文化的翻译策略。  相似文献   
2.
阐述了《密码学》课程的知识结构,分析了其的特点,针对应用型人才培养目标,设计了《密码学》教学内容,探讨了教学方法,并将之付诸教学实践。实践证明,该教学方法取得了较好的教学效果。  相似文献   
3.
《离散数学》教学方法与手段探究   总被引:2,自引:0,他引:2  
探究了《离散数学》的教学手段和方法,实践证明,这些教学手段和方法在计算机专业《离散数学》的课程教学中是可行的。  相似文献   
4.
针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。  相似文献   
5.
提出了一种认知无线网络的异构网络融合的研究方案。该方案采用了具有可重构能力的基站设备和多频段多模武终端设备,采用复用的方式来达到多频段变换的目的,并最终提高无线资源利用效率。以中间件的方式来实现各种通信模式的融合和切换,并设计了基站分布式天线,来满足更大的负载或更高的业务质量需求。建立了一个基于软件无线电的终端系统,该终端的优点在于其可以工作在多个频段之上,并且可以自适应的工作在多种不同模式的网络中。  相似文献   
6.
物联网工程专业课程体系设置探究   总被引:1,自引:0,他引:1  
根据物联网的技术体系框架,提出物联网工程专业课程体系设置,该课程体系结构充分体现了物联网技术特征与行业应用需求,能够适应战略性新兴产业的发展对人才培养的需要。  相似文献   
7.
对感知数据的查询处理是传感器网络应用的重要目标之一,传感器网络中节点产生的数据源源不断,这使得传感器网络在类似分布式数据库系统的同时,又具有自己的特点。分析了传感器网络中的数据模型,数据查询语言,数据查询体系结构,并提出了一种半分布式的网内数据处理查询体系结构,该体系结构将数据查询在网内进行处理,通过数据汇聚减少数据传输量。  相似文献   
8.
提出了一种认知无线网络的重配置研究方案,并在基站和终端设备上构建了演示系统。该系统与现有WLAN以及GSM网络融合在一起,通过可重配置基站进行中转,终端设备能够支持现有的各种业务(语音、视频、数据服务等)。针对2种组网模式,具有重配置能力的基站还具备独立组网能力,能够根据终端业务自适应地调整工作模式。  相似文献   
9.
为解决现有花卉识别准确度低的问题,提出一种基于生成对抗网络的花卉识别方法。使用残差网络构建生成器和判别器,充分提取深层次花卉样本特征,大幅度减小模型参数量,加快模型收敛;融入注意力机制,快速有效提取花卉显著区域特征,并改进模型损失函数,进一步提高对抗网络生成样本的质量。同时利用生成器生成高清晰度、纹理特征明显且具有多样性的高质量花卉样本进行数据增强,迁移判别器参数到花卉识别网络,加快模型收敛速度,进一步提高花卉识别准确度。Oxford 102花卉数据集试验结果显示,相较于其他方法,该方法网络训练稳定、收敛速度快,花卉识别准确度显著提高。  相似文献   
10.
针对真实环境下苹果叶片病害识别背景复杂、识别准确率不高的问题,提出了一种改进轻量化网络MobileNeXt的苹果叶片病害识别方法。首先收集了4类常见苹果叶片病害图像样本,每类由简单背景图像与复杂背景图像混合,通过多种数据增强方式对图像进行处理,以增加样本多样性,提高模型的泛化能力。接着基于轻量化网络MobileNeXt中的sandglass结构,引入协调注意力机制CA分配权重,以区分目标与背景,同时结合Inception模块与Ghost模块,设计了2种SCI(Sandglass-CA-Inception)结构,在参数增加量尽可能小的前提下,扩充网络深度与宽度,增强模型对于背景复杂病害图像的特征学习能力。试验结果表明,改进后的模型相比于MobileNeXt, Top-1准确率提升了1.23百分点,平均精确率提升了1.18百分点,参数量只增加了0.62 M,为真实场景下的苹果叶片病害识别提供了一种有效的解决方案。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号