高水平乒乓球运动员上交叉综合征的PNF干预效果,张秦,刘锦洁,目的:分析高水平乒乓球运动员的身体姿势和强、弱动作模式与上交叉综合征出现的联系,研究PNF技术对上交叉综合征的干预效果。方法
2024-03-29 16:51:48 773KB 首发论文
1
工程经济与项目管理大作业论文
2024-03-28 22:33:04 1.04MB 论文
1
基于时序的多笔划草图识别,尹建锋,孙正兴,本文提出乐一个基于手绘草图过程时序信息的多笔划草图识别方法。该方法的主要思想是基于时序的笔划分割和基于时序的用户建模。前
2024-03-28 22:02:06 326KB 首发论文
1
基于扩张状态观测器的迟滞非线性系统辨识.pdf,针对一类迟滞非线性系统提出一种参数辨识新方法。通过构造合适的周期输入信号,分析Bouc Wen模型的积分特性,该特性在后续线性参数与迟滞参数辨识中起到重要作用。利用扩张状态观测器获得系统状态和等效扰动构造方程组,实现线性参数和非线性参数的分离辨识,所有参数通过线性方程组求解得到。通过数值仿真验证了方法的有效性。最后,方法应用于一类压电系统的迟滞非线性模型辨识,所得模型能够很好地反应实际系统的特性。
2024-03-28 16:58:26 3.19MB 论文研究
1
北京科技大学研究生英语科技论文写作MOOC参考答案.
2024-03-28 15:10:36 454KB
1
这个是完整源码 SpringBoot+Vue实现 springboot+vue小区物业管理系统 java毕业设计 源码+sql脚本+论文 数据库是mysql 随着我国经济发展和城市开发,人们对住房的需求增大,物业管理也得到了发展。但是,基于人工的物业管理仍然是现阶段我国大部分物业管理公司的管理模式,这种管理模式存在管理人员效率低下、工作难度大的问题,同时无法保证小区住户的居住体验。小区物业系统的开发能够极大地提高物业管理人员的管理效率,降低工作难度,同时也能提高住户的居住体验。 本系统是在Java EE的基础上开发的,采用了前后端分离的方式进行开发,使用了主流的后台开发框架Spring Boot,前端使用了Vue的开发框架,数据库采用了MySQL进行数据存储,并使用MyBatis-Plus框架来操作数据库。本系统中的用户模块实现了住户个人信息的登记管理以及住户房屋报修和投诉,管理员模块则实现管理员对小区信息的操作管理和住户需求的处理。 本物业管理系统在实际测试和运行后,代码能够正常运行,系统功能可以正常实现,系统能够快速做出反应;本系统在物业管理上,极大地提高了管理人员地工作效率,使得
2024-03-28 14:04:35 9.46MB java物业 java物业管理 物业管理系统
1
基于ASP.NET和ACCESS的网上投票系统 毕业设计 有论文全套
2024-03-28 11:54:44 2.03MB 网上投票系统 毕业设计
1
智能储层钻井液优化设计,李志勇,蒋官澄,储层保护技术一直是国际石油工程界十分关注的问题。钻井完井液作为第一个接触储层的非储层流体,它的性能好坏直接关系到油气井的
2024-03-28 04:21:02 352KB 首发论文
1
为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型体积。实验结果表明,模型YOLO v5s-CBD在单块Nvidia GTX A5000 GPU 帧率可达140帧/s,模型体积为8.9MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1为94.0%,平均精度均值mAP为95.7%,在VOC数据集平均精度均值可达80.09%。
2024-03-27 17:29:31 1.44MB 毕业设计 yolo论文 深度学习
1
针对零部件制造质量控制方面的缺陷检测,考虑到工业摄像头角度和零部件表面缺陷特征相对固定的特点,提出一种基于注意力机制的YOLO缺陷检测算法。围绕提升算法注意力,首先采用CZS算法,把图像上的缺陷区域剪切、缩放和拼接成新图像,使注意力集中于缺陷相关区域;然后采用裁减主干网络算法,裁减掉原版YOLOv3主干网络中无用的检测尺度层;最后使用数据增强算法增加训练样本量。实验案例结果表明:该算法检测精度99.2%,单帧图像检测时间0.01 s,性能均优于原版YOLOv3;该算法在固定摄像头场景下具有一定先进性,3项提升注意力的策略使算法训练精度收敛的更快、检测速度更快、检测性能更稳定。
2024-03-27 17:29:16 1.73MB 毕业设计 注意力机制 yolo
1