论文部分内容阅读
基于深度卷积神经网络的列车检测图像超分辨方法研究
【出 处】
：
西南交通大学
【发表日期】
：
2021年01期
其他文献
铁路限界检测是为了防止铁路的建筑物和设备侵入线路规定范围,是铁路施工、安全运营和既有线改造等诸多环节的重要手段。传统的铁路限界检测一直靠人推限界框或视觉检测方法进行,工序多,时间长,测量效率低。同时,接触式检测在电气化路段还存在较大安全隐患。非接触式的三维激光移动扫描仪能够快速获取铁路高精度高密度点云,适合用于铁路限界检测。目前基于车载Lidar点云的铁路限界检测主要采用横断面法,耗时长且准确率低
随着无线通信技术的快速发展,信号的调制格式与信道环境日益复杂,无线电信号的有效检测与识别成为无线通信领域的研究热点。目前无线电信号识别技术主要利用信号时域或频域信息进行识别,需对信号特征参数逐一提取,且在信号低信噪比时识别效果不佳。本文基于信号时频谱特征,设计了一种无线电信号检测识别框架,将深度学习目标检测任务引入无线电信号领域,并针对信号样本标注费时费力等问题,采用半监督学习的方法减少人工标注,
高速动车组在运行过程中,牵引变流系统会产生较强的电磁干扰且无法完全避免,牵引变流系统产生的电磁干扰会对牵引变流系统自身及周边电力电子设备产生影响。因此深入研究牵引变流系统电磁干扰机理及干扰特性是高速动车组运行可靠性的关键技术问题之一。然而目前针对动车组牵引变流系统EMI建模的研究中,相关仿真模型及试验数据并不完善,缺少更为系统、全面、深入的分析。同时,在针对牵引变流系统传导干扰的相关研究中,仿真模