对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由响应阶段产生的脑电信号,引入振动多模态参数识别ITD(Ibrahim Time Domain)算法来提取特征组合成特征向量;最后利用Adaboost分类器进行自适应特征选择和分类。运用此方法对国际标准数据库The largest SCP data of Motor-Imagery中的CLA运动想象数据集进行特征提取和特征选择与分类,其平均分类准确率高达90%以上。与现有的特征提取算法相比,获得了更好的分类性能和稳定性。

为解决真实养殖环境中因鱼群模糊、遮挡造成的鱼类目标检测困难等问题，采用基于通道非降维与空间协调注意力ECAM(efficient coordination attention module)的改进YOLOv8养殖鱼群检测方法YOLOv8-Head-ECAM以提高检测精度。首先在FPN(feature pyramid network)中增加大尺寸检测头，更好地捕捉水下鱼类个体的细节信息，以加强对鱼群特征的提取能力，然后使用ECAM注意力机制减少模糊背景的干扰，聚焦鱼类个体的关键特征，以加强对模糊鱼群的识别能力，并设计了消融试验和模型对比试验以验证算法的有效性。结果表明：相比于YOLOv8,YOLOv8-Head-ECAM模型的准确率、召回率和平均精度均值分别提高了2.3%、1.7%和1.6%;与目前检测准确率较高的养殖鱼群检测模型KAYOLO、DCM-ATM-YOLOv5、SK-YOLOv5和ESB-YOLO相比，平均精度均值分别提高了0.7%、1.0%、2.4%和2.0%。研究表明，本文中提出的YOLOv8-Head-ECAM模型能够较好地适应水下鱼群模糊、遮挡的情况，提高了鱼群检测的有效性。

在现代智能科技的发展中，激光雷达点云数据的处理与分析已成为关键技术之一。这些数据丰富的点云能够提供复杂的环境模型，广泛应用于自动驾驶、无人机导航、三维建模等领域。然而，海量的点云数据处理和特征提取过程仍然面临诸多挑战，包括计算效率低下和对环境变化的鲁棒性不足。本文将深入探讨如何利用机器学习算法，特别是深度学习方法，来自动化提取激光雷达点云的特征，以提升数据处理的效率和精度，进一步推动上述领域的应用进程。

随着激光扫描技术的快速发展，大规模三维激光扫描场景点云数据的处理成为一个研究热点。点云数据的处理涉及到数据采集、预处理、特征提取、分割和配准等多个方面。本文针对大规模三维激光扫描场景点云数据处理技术进行了研究。首先，介绍了点云数据的获取过程和特点。然后，重点探讨了点云数据的预处理技术，包括数据降噪、滤波、采样和去噪等。接着，研究了点云数据的特征提取方法，包括曲率、法线和表面变化等特征。然后，讨论了点云数据的分割方法，包括基于区域生长、基于聚类和基于图论的分割方法。最后，探讨了点云数据的配准技术，包括基于特征点匹配和基于优化算法的配准方法。本文提出的大规模三维激光扫描场景点云数据处理技术在点云数据的处理效果和处理速度上具有较好的性能。

本研究聚焦于遥感图像特征提取与分类算法在自然灾害监测中的应用，旨在探讨如何有效地利用遥感技术来提高自然灾害的监测和应对能力。遥感图像作为一种强大的数据源，具有广泛的应用潜力，可以为自然灾害的实时监测和预测提供宝贵信息。本研究将重点关注特征提取和分类算法的创新应用，以提高自然灾害监测的准确性和效率。本研究的主要目标是探索遥感图像特征提取与分类算法在自然灾害监测中的应用潜力。我们将介绍先进的特征提取技术，如卷积神经网络（CNN）和主成分分析（PCA），以及分类算法，如支持向量机（SVM）和深度学习模型，它们在自然灾害分类和定位中的作用。

校园建筑作为重要的公共场所，其安全问题直接关系到广大师生的人身安全和财产安全。本文提出了一种基于无人机倾斜拍摄和数字图像处理技术的方法，可以快速检测和动态监测建筑墙面裂缝，有效提升建筑物的安全性，并为建筑安全和维护提供可靠依据和支持。借助这项技术，我们能够实现短周期内的动态监测，从而有效进行墙体裂缝的实时监控，及时发现问题，避免人员和财产损失。这一方法具有高效性和精确性，能够增加墙面检测的频率，提高建筑物的安全性，促进可持续发展水平的提升。

林火是一种严重的自然灾害，对生态环境和人类安全造成巨大威胁。因此，及早识别和响应林火至关重要。本研究分析无人机林火图像识别方法，并探讨其在林火监测和应急响应领域的应用，通过提取图像特征并运用分类算法，将图像特征与分类算法相结合，从而开发有效的林火图像辨识算法，具体研究夜间和白天森林火灾的识别方法，希望通过这一研究，提供有效的工具和方法，帮助提高林火监测和应急响应的效率。

动态信号监测系统在工业自动化、医疗诊断和环境监测等领域扮演着至关重要的角色。本文研究了一种基于多通道采集的动态信号监测系统，该系统能够实现对多个信号源的同时监测和分析。系统采用模块化设计，提高了系统的扩展性和灵活性。通过实时数据采集和先进的信号处理算法，系统能够准确捕捉信号的动态变化，并进行有效的数据分析和特征提取。实验结果表明，该系统在信号采集精度、处理速度和稳定性方面均达到了预期的设计目标，具有广泛的应用潜力。

本论文旨在探讨深度学习技术在航空摄影测量中的应用，以提高地图制图、地理信息系统和土地管理等领域的效率和精度。通过综合研究现有文献和技术，本文提出了深度学习在航空摄影测量中的三个关键应用方向，包括特征提取与匹配、三维重建和遥感图像分类。在每个应用方向中，分析了深度学习的具体方法和技术，并讨论了其优点和挑战。最后，本文强调了跨学科合作和国际合作的重要性，以推动深度学习在航空摄影测量中的应用。通过本文的研究，可以为相关领域的研究者提供有关深度学习技术的详尽信息，以指导未来的研究和实践。

雷达目标识别在军事及民用领域占据重要地位，计算机深度学习作为一种强大的技术手段，在该领域的应用日益广泛。本文通过系统梳理和总结现有的相关研究成果，详细论述了计算机深度学习在雷达目标识别中的应用进展情况。归纳了计算机深度学习的优点、局限以及当前研究的重点；简述了雷达目标识别的概念；深入探讨了基于特定雷达图像特征的目标识别方法，并对计算机深度学习在雷达目标识别领域的应用前景进行了展望。

在核电厂换料堆芯设计过程中，如何实现快速准确定位最优装载方案，是广大换料设计工程师面对的主要挑战。目前在换料设计领域主要还是依靠换料工程师自身积累的丰富经验实现换料堆芯装载方案人工手动搜索，但依靠人工手动搜索的方式存在效率低下、装载方案评价不高的问题。随着人工智能、机器学习算法不断发展，研究人员开始尝试在换料设计过程中引入先进优化算法思想，辅助换料工程师提升工作效率与最终推荐装载方案表现。本文通过广泛阅读国内外相关文献，综合分析将人工智能思想应用于换料设计领域的主要路线，详细评价各个路线的优缺点，并对新兴的智能优化算法进行调研，结合反应堆换料堆芯方案搜索过程特点，提出两种未来有可能实现工程化的智能优化算法应用思路。