1 浙江大学 流体动力与机电系统国家重点实验室, 浙江 杭州 310027
2 重庆西南计算机有限责任公司, 重庆 400060
为了能有效识别金属材料超声检测信号中的微小缺陷回波, 使用递归分析方法对检测信号进行分析。通过对超声波背散射信号进行建模, 说明其组成要素。在超声检测信号中, 缺陷回波信号会对系统的递归特性产生影响。使用递归分析对含0.8 mm平底孔人工模拟缺陷的直径为120 mm低碳钢棒材试块实验采集的背散射信号和无缺陷背散射信号进行了研究。截取试块检测信号中的背散射信号部分, 通过合理的参数选择对其进行递归分析并绘制递归图。通过与实验采集的无缺陷信号的递归图进行对比, 发现缺陷信号会在递归图中产生明显的白色交叉条纹带。使用递归定量分析进一步研究了含缺陷背散射信号的递归特征量, 结果表明捕获时间(TT)、确定率(DET)与递归熵(ENTR)这三项特征量对缺陷信号比较敏感, 在缺陷位置处均会出现明显的峰值。
金属材料 背散射信号 递归分析 递归图 递归定量分析 metallic material backscattered signal recurrence analysis recurrence plot recurrence quantification analysis
为了降低卷积神经网络计算的复杂度, 改善特征提取过程中的过拟合现象, 解决经典网络模型不能有效处理大尺寸图片的问题, 采用了加权联合降维的特征融合与分类识别算法, 根据两特征的识别贡献率对主成分分析法(PCA)降维处理和随机投影(RP)处理结果进行加权融合, 然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征, 使用欧氏距离分类器对识别对象进行分类, 并进行了理论分析和实验验证。结果表明, 经过加权联合降维对数据进行预处理, PCA矩阵与RP降维矩阵之比重达到6∶4, 识别率高达96%以上。该算法有效提高了准确率, 使大尺寸图片在深度学习网络中有良好的识别效果, 改善了网络的适应性。
图像处理 分类识别 加权特征融合 识别贡献率 卷积神经网络 image processing classification recognition weighted feature fusion recognition contribution rate convolutional neural network
随着目前市场上移动电话、便携电子设备等产品普遍采用彩色显示屏,应用于彩色LCD显示屏背光源的白色LED也得到了广泛关注.本文着重讨论几种驱动白光LED的方式,并以SC604A为例介绍了电荷泵驱动电路的一般原理.
白光LED 驱动 电荷泵
