1.前言 时间序列预测是机器学习领域的重要任务，广泛应用于气象预报 、金融走势分析、工业设备故障预警等场景。传统时间序列模型（如 ARIMA、单 LSTM）在处理长序列依赖、捕捉多尺度特征时存在局限性，而双向LSTM（BiLSTM） 可同时利用历史与未来上下文信息，多头注意力（Multi-Head 阅读全文
1.前言 时间序列预测是机器学习领域的重要任务，广泛应用于气象预报 、金融走势分析、工业设备故障预警等场景。传统时间序列模型（如 ARIMA、单 LSTM）在处理长序列依赖、捕捉多尺度特征时存在局限性，而双向LSTM（BiLSTM） 可同时利用历史与未来上下文信息，多头注意力（Multi-Head 阅读全文
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性 、非平稳序列时存在局限性，而深度学习模型（如GRU）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度 。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，GRU可有效建模 阅读全文
1.前言 热红外图像通过捕捉物体表面的热辐射强度分布，反映目标的温度场特征，在遥感监测、医疗诊断等领域具有不可替代的作用。局部粗糙度作为热红外图像的关键纹理特征，不仅与物体表面的物理粗糙程度直接相关（如地表土壤颗粒度、工业构件表面平整度），还间接反映了温度场的空间异质性（如植被覆盖区的热辐射差异）。 阅读全文
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性、非平稳序列时存在局限性，而深度学习模型 （如LSTM）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，LSTM可有效建 阅读全文
1.前言 图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。在本课题中，将通过FPGA实现图像sobel边缘提取的硬件测试。 2.算法硬件测试效果图预览 3.算法运行软件版本 vivado2022.2 Matlab2022a/matlab2024b 4.部分 阅读全文
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性 、非平稳序列时存在局限性，而深度学习模型（如GRU）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，GRU可有效建模序 阅读全文
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性、非平稳序列时存在局限性，而深度学习模型 （如LSTM）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，LSTM可有效建 阅读全文
1.前言 视频类型分类是计算机视觉与多媒体分析领域的核心任务，旨在通过算法自动识别视频的语义类别（如动作片、喜剧、纪录片、动画片等）。该任务的核心挑战在于：视频是时空混合的动态序列数据，既包含单帧内的空间视觉信息（如场景、人物、物体），又包含帧间的时序依赖关系 （如动作变化、情节推进）。例如，动作片 阅读全文
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性、非平稳序列时存在局限性，而深度学习模型（如LSTM）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，LSTM可有效建模 阅读全文
浙公网安备 33010602011771号