首页期刊导航|计算机仿真
期刊信息/Journal information
计算机仿真
计算机仿真

吴连伟

月刊

1006-9348

kwcoltd@public.bta.net.cn jsjfz@compusimu.com

010-68767186

100037

北京海淀阜成路14号

计算机仿真/Journal Computer SimulationCSCD北大核心CSTPCD
查看更多>>本刊旨在促进我国仿真技术交流和发展,既总结过去、探索基础理论,又跟踪发展前沿,重点报导仿真应用成果。现已是中国科技论文核心期刊。于2003年被《中国科学文献计量评价研究中心》评为优秀期刊。同时被选入中国学术期刊(光盘版)文献检索系统、中国科学引文数据库、中国核心期刊数据库。现已成为仿真技术领域中优秀期刊。
正式出版
收录年代

    三维交互式场景虚拟现实建模仿真研究

    任晓辰邱春婷
    217-221页
    查看更多>>摘要:三维交互式场景构建精度过低会影响人机交互时的体验效果,为有效提升场景的真实性与场景构建效率,提出三维交互式场景虚拟现实建模方法。从前进后退、左右平移、左右旋转抬头与低头四个角度出发,运用虚拟现实技术对场景构建时用户动作的影响因素展开具体分析;根据分析结果对虚拟交互场景内的相机实施标定处理,通过相机的标定结果获取场景影像,并使用图像分割方法对影像目标实施分割处理;基于影像的目标分割结果结合用户动作影响参数,制定模型约束条件与目标函数,构建三维交互式场景构建模型,通过上述模型实现三维交互式场景的构建。实验结果表明,使用上述方法开展三维交互式场景构建时,场景构建的效果较好,分辨率较高,达到了预期目标。

    虚拟现实三维交互式场景目标分割动作参数目标函数

    用于视觉传达效果优化的退化图像复原仿真

    上官小雨汤雅莉
    222-226页
    查看更多>>摘要:大气湍流与外界噪声的干扰,会造成图像出现退化现象,影响图像质量。为此提出考虑视觉传达效果的多帧退化图像复原算法。图像复原前构建出图像退化模型,明确图像退化规律,利用小波变换对多帧退化图像实施去噪处理。计算因大气湍流导致的相位扰动的波前图像,根据相位偏差,生成Zernike波前图像重建模型,多次迭代后完成PDF的波前重建,利用代价函数生成多帧退化图像复原的迭代公式,依据判定条件实现多帧退化图像复原。实验结果表明,所提算法的图像复原效果较好,复原效率高,具有优异的图像去噪效果。

    视觉传达效果多帧退化图像图像复原图像去噪图像退化模型

    基于实例归一化的通道注意力模块

    苏树智蒋博文陈润斌
    227-231页
    查看更多>>摘要:传统通道注意力模块在构建池化层和下采样层获取特征图通道权重时,不仅增加大量参数而且极大提高了模型的复杂度。为解决上述问题,提出一种实例归一化通道注意力模块(Instance Normalization Channel Attention Module,INCAM),通过采用实例归一化中的缩放变量度量方差来捕捉特征图通道权重,仅增加少量参数即可获得明显的性能增益。在CIFAR-100 和CIFAR-10 数据集上的大量实验表明,相对于原始的ResNet-50,嵌入INCAM的ResNet-50 在Top-1 Error上降低了11。20%,而参数量仅增加了0。12%,并与其它注意力模块相比更加轻量和高效。

    注意力模块卷积神经网络图像分类实例归一化残差网络

    一种基于深度估计模型的图像加雾软件

    王旭光张崇田珊珊白康...
    232-237,242页
    查看更多>>摘要:随着深度学习方面的研究不断深入,数据的重要性也上升到新的高度。在较为火热的图像去雾领域,去雾模型性能强弱很大程度上取决于雾天图像数据集的好坏。而现有数据集难以满足科研的需求,同时制作这样的数据集代价高昂,因此利用无雾图像合成真实雾天图像的研究显得尤为重要。在大气散射模型的基础上,引入单目图像深度估计的方法,实现无雾图像加雾的处理,同时比较了深度估计方法的鲁棒性,推荐了适合用于图像加雾的深度估计方法,实现了操作简单的图像加雾软件。

    大气散射模型单目图像深度估计图像合成雾图像加雾软件

    多视角手部肌肉疲劳动作智能识别方法仿真

    王子威郭苗苗
    238-242页
    查看更多>>摘要:干扰信号工频和谐波频率噪声会影响动作识别效果,为了提升手部肌肉的识别精度,提出基于肌电信号的多视角手部肌肉疲劳动作识别方法。利用肌电信号采集系统采集手部肌肉疲劳动作肌电信号,利用空域相关滤波算法优化肌电信号,消除干扰信号工频和谐波频率的生理噪声,提升动作识别精度。从时域和频域两个角度出发提取肌电信号特征,并输入支持向量机中,根据支持向量机的分类结果,实现多视角手部肌肉疲劳动作识别。实验结果表明,所提方法识别性能较好、识别精度较高,能够有效提升多视角下手部肌肉疲劳动作识别效果。

    手部肌肉肌电信号降噪特征提取支持向量机

    突发公共安全事件监控视频异常行为监测仿真

    杨传杰殷洁汪雁武文亚...
    243-246,292页
    查看更多>>摘要:公共安全事件监控视频中的异常目标通常为中小型个体,其监测过程也易受到周围公共场所环境的干扰。提出突发公共安全事件监控视频异常行为监测方法。建立符合人体异常行为特点的增强型Cucker-Smale群体运动模型,描述人体异常行为的目标运动函数。以上述函数为基础,采集监控视频中与突发公共安全事件相关的异常行为数据。利用光流块为单位提取异常行为数据特征,并将异常行为数据特征与K-means聚类算法结合,全面分类异常行为数据特征,实现突发公共安全事件监控视频异常行为的监测。仿真结果表明,研究方法能够准确的识别出监控视频中的异常行为,且AUC值最高可达 0。983,说明所提方法具有更好的应用性能。

    突发公共安全事件监控视频异常行为光流块聚类算法

    基于改进MEMS惯性传感器的人体动作智能捕捉

    杨艺贺晓阳
    247-250,260页
    查看更多>>摘要:由于MEMS惯性传感器在人体动作数据采集时会受到重力加速度的影响,导致人体动作捕捉效果差,提出基于改进MEMS惯性传感器的人体动作智能捕捉方法。运用MEMS惯性传感器获取人体动作数据,并对采集的数据实施数据去噪、误差校正、重力加速度去除等处理,优化MEMS惯性传感器的数据采集效果,获取实际的人体运动数据。依据获取的人体运动数据,将方差作为人体整体运动幅度的特征向量值,提取人体动作特征,结合支持向量机对动作进行分类识别,实现人体动作捕捉。实验结果表明,使用上述方法开展人体动作捕捉时,捕捉精准度较高、捕捉时间较短,且实际效果较好。

    惯性传感器人体动作捕捉人体动作特征支持向量机误差校正重力加速度

    深度学习下直流输电线路绝缘子破损识别仿真

    叶萧然杜玉红刘群坡
    251-255页
    查看更多>>摘要:输电线路绝缘子由于架设在野外,受天气因素、环境污染等影响,使得绝缘子发生破损,导致输电线路供电中断。为避免输电线路发生故障,最大程度保障电网安全运行,提出基于深度学习的直流输电线路绝缘子破损识别方法。分析航拍图像噪声来源,利用中值滤波算法确定像素中值,经过非线性平滑处理去除噪声。分析常见的绝缘子破损类型、破损表现及原因,建立随机森林决策树。通过深度学习,选出明显的破损特征作为识别依据;构建Alex Net卷积神经网络模型,计算损失函数,确定最佳学习速率;通过学习训练,输出识别结果。实验结果显示,所提方法能够增强图像细节信息,且绝缘子破损识别正确率在 0。8 以上、收敛速度快。

    深度学习直流输电线路绝缘子破损识别卷积神经网络

    建筑混凝土轻钢结构损伤可靠检测仿真研究

    张泽鹏王仁义
    256-260页
    查看更多>>摘要:建筑混凝土轻钢结构强度高、整体刚性好、变形能力强,但由于其构件断面偏小,发生开裂损伤后极限承载能力下降,严重影响建筑整体质量,所以应研究建筑混凝土轻钢结构损伤检测方法。先构建轻钢结构实体并自动生成三维轻钢结构有限元模型,利用模态分析模块求解轻钢结构模态参数。采用希尔伯特振动分解算法,获取轻钢结构损伤检测的最大幅值分量信号,并将其输入至全连接神经网络,检测损伤情况,并输出损伤结果。测试结果显示:获取的一阶和二阶频率结果与实际结果之间最大差值分别为 0。75Hz和 1。2Hz,说明上述方法可准确得出轻钢结构的相关模态参数,能够完成建筑混凝土轻钢结构损伤的可靠检测。

    建筑混凝土轻钢结构损伤检测模态参数幅值分量有限元模型

    基于DenseNet ECA的儿童异常胸片筛查

    段梦宇吴英飞袁贞明俞刚...
    261-265,343页
    查看更多>>摘要:胸片是筛查儿童肺部异常最常见、最容易获得的低成本成像方式。然而,在部分医疗资源匮乏地区,由于有经验的放射科医生数量稀少,导致胸片的解读效率低下,易造成对肺部异常患儿的漏诊、误诊。因此以儿童健康及异常胸片为研究对象,通过使用ECA注意力机制及PReLU激活函数对DenseNet进行改进,提出一种用于儿童异常胸片筛查任务的DenseNet ECA模型。实验结果表明,上述模型对于儿童健康、异常胸片的分类效果优于常用卷积神经网络模型,分类准确率、灵敏度、特异性分别可达 93。57%,91。47%,95。83%,参数量仅为 6。96M。上述模型能够帮助医生进行儿童异常胸片的预先筛查,可有效降低临床阅片压力,提高医生诊断效率。

    儿童异常胸片筛查注意力机制仿真