存储过程在改进二层C/S结构中的应用研究

对不同层次的Ｃ／Ｓ结构作了分析与比较,并提出用存储过程来改进２层Ｃ／Ｓ结构的思想。分析了存储过程的概念、优点及定义方法,并介绍了如何在Ｖｉｓｕａｌ Ｂａｓｉｃ应用程序中利用ＲＤＯ来调用存储过程。最后通过存储过程在研究生学藉管理系统中的应用实例,来说明存储过程在改进二层Ｃ／Ｓ结构中应用价值。     

针对多并发三角形二度循环结构的过程模型挖掘方法

为了在不完备的日志中挖掘含有多并发的三角形二度循环结构的过程模型,在扩展Alpha算法的基础上提出AlphaMatch算法。该算法可以在不包含重复行为序列的日志中,将两个活动匹配成三角形二度循环,并挖掘出含有多并发三角形二度循环的过程模型。首先,根据活动数量关系将构成三角形二度循环的活动分为两类;然后,再根据活动位置关系,使用三角形二度循环活动的首尾标记位置矩阵匹配这两类活动,并且给出足迹矩阵显示活动之间的关系;最后,在ProM平台上进行了大量仿真实验,从模型正确性、挖掘效率、拟合度和精确度四个角度验证了算法能有效挖掘含有多并发的三角形二度循环的Petri网模型。     

单片机的基本结构与工作原理（三）——AT89S52的存储器结构及其操作方式

程序存储器和数据存储器是单片机最重要的外围单元。本讲我们将介绍AT89S52单片机的存储器结构及其操作方式。     

单片机的基本结构与工作原理（二）——AT89S52单片机引脚功能、时钟系统、时序及复位

通过上一讲《单片机的典型结构及AT89S5×系列单片机》,大家弄清了80C51系列单片机的基本组成、各部分功能及AT89S5×系列单片机对80C51单片机功能的扩展。本讲,我们将从AT89S52单片机的外部特性开始,帮助大家进一步认识AT89S5×系列单片机。     

两级分配多可用重命名寄存器

提出了一种新的寄存器重命名机制——两级分配多可用重命名寄存器,简称2L-MuRR,其特点如下：（1）对重命名寄存器文件（RRF）的占用要经过两级重命名和分配过程,减少了无效占用时间.（2）RRF被划分为多个不同宽度的字段,根据目标值的大小进行按字段分配,这样使每个重命名寄存器都是多可用的.（3）同一重命名寄存器内的多个目标值的写（或读）操作可以合并成一次完成,减少了RRF的访问次数和读/写端口的压力.模拟实验表明,2L-MuRR显著提高了RRF的存储能力（70%以上）,能以较少的重命名寄存器满足SMT高并行度的要求,有效缓解了寄存器文件的设计压力.     

批量文件重命名VB程序设计

用VB6．0编程实现批量文件的重命名,新文件名由“固定部分”＋“顺序变化的序号”组成,扩展名不变,一次重命名文件数量最大可迭99999个。程序小巧,功能强大,界面友好,操作简单。     

利用EXCEL实现照片关联重命名的方法

Excel电子表格具有灵活多变的计算公式和方便快捷的数据处理能力,也是适合众多人接受和应用。本文给出一种EXCEL的照片关联重命名方法。利用本方法,可以快速有效地按照要求完成照片重命名工作。     

批量更名软件在Java中的实现与研究

主要阐述在Java中实现对指定文件夹的所有文件进行批量更名的过程。根据使用者设置的参数组成新的文件名,程序利用Java中的文件对象获取指定文件夹中的所有文件,使用File对象的renameTo方法进行批量更名。     

面向实时应用的深度学习研究综述

深度学习算法和GPU算力的不断进步,正促进着人工智能技术在包括计算机视觉、语音识别、自然语言处理等领域得到广泛应用.与此同时,深度学习已经开始应用于以自动驾驶为代表的安全攸关领域.但是,近两年接连发生了几起严重的交通事故表明,深度学习技术的成熟度还远未达到安全攸关应用的要求.因此,对可信人工智能系统的研究已经成为了一个热点方向.对现有的面向实时应用的深度学习领域的研究工作进行了综述,首先介绍了深度学习技术应用于实时嵌入式系统所面临的关键设计问题;然后,从深层神经网络的轻量化设计、GPU时间分析与任务调度、CPU+GPU SoC异构平台的资源管理、深层神经网络与网络加速器的协同设计等多个方面对现有的研究工作进行了分析和总结;最后展望了面向实时应用的深度学习领域进一步的研究方向.     

深度学习方法在糖尿病视网膜病变诊断中的应用

深度学习可以有效提取图像隐含特征,在医学影像识别方面的应用快速发展. 由于糖尿病视网膜病变(Diabetic retinopathy, DR)诊断标准明确、分类体系成熟,应用深度学习诊断糖尿病视网膜病变近年来成为研究热点. 本文从深度学习方法在DR诊断中的最新研究进展、DR诊断的一般流程、公共数据集、医学影像标注方法、主要实现模型、面临的主要挑战几方面, 对深度学习方法在糖尿病视网膜病变诊断中的应用进行了详细综述, 便于更多机器视觉、尤其是深度学习医学影像的研究者们参照对比,加快该领域研究的成熟度和临床落地应用.     

一种面向门户中间件的Web应用深度集成模型

提出了一种面向门户中间件Web应用的深度集成模型.该模型可以对已有Web应用的逻辑层和表示层同时加以整合,从而大大提高了已有系统的重用性,简化了Portlet开发.该模型已经在实际项目中得到了验证.     

深度卷积神经网络在计算机视觉中的应用研究综述

随着大数据时代的到来,含更多 隐含层的深度卷积神经网络(Convolutional neural networks, CNNs)具有更复杂的网络结构,与传统机器学习方法相比具有更强大的特征学习和特征表达能力。使用深度学习算法训练的卷积神经网络模型自提出以来在计算机视觉领域的多个大规模识别任务上取得了令人瞩目的 成绩。本文首先简要介绍深度学习和卷积神经网络的兴起与展,概述卷积神经网络的基本模型结构、卷积特征提取和池化操作。然后综述了基于深度学习的卷积神经网络模型在图像分类、物体检测、姿态估计、图像分割和人脸识别等多个计算机视觉应用领域中的研究现状 和发展趋势,主要从典型的网络结构的构建、训练方法和性能表现3个方面进行介绍。最后对目前研究中存在的一些问题进行简要的总结和讨论,并展望未来发展的新方向。     

深度学习在目标视觉检测中的应用进展与展望

目标视觉检测是计算机视觉领域的一个重要问题,在视频监控、自主驾驶、人机交互等方面具有重要的研究意义和应用价值.近年来,深度学习在图像分类研究中取得了突破性进展,也带动着目标视觉检测取得突飞猛进的发展.本文综述了深度学习在目标视觉检测中的应用进展与展望.首先对目标视觉检测的基本流程进行总结,并介绍了目标视觉检测研究常用的公共数据集;然后重点介绍了目前发展迅猛的深度学习方法在目标视觉检测中的最新应用进展;最后讨论了深度学习方法应用于目标视觉检测时存在的困难和挑战,并对今后的发展趋势进行展望.     

基于t分布的贝叶斯深度学习模型及其应用

贝叶斯深度学习(BDL)融合了贝叶斯方法与深度学习(DL)的互补优势,成为复杂问题中不确定性建模与推断的强大工具.本文构建了基于t分布和循环随机梯度汉密尔顿蒙特卡罗采样算法的BDL框架,并基于数据不确定性和模型定不确定性给出了不确定性的度量.为了验证模型框架的有效性和适用性,我们分别基于人工神经网络(ANN)、卷积神经网络(CNN)和循环神经网络(RNN)构建了相应的BDL模型,并将模型应用于全球15个股票指数预测,实证结果显示:1)该框架在ANN、CNN和RNN下均适用,对全部指数的预测效果均很出色; 2)在预测精度和通用性方面,基于t分布BDL的模型比基于正态分布的BDL模型具有显著优越性; 3)在给定不确定性阈值之下的预测MAE比初始MAE显著提升,表明文中定义的不确定性是有效的,对不确定性建模具有重要意义.鉴于该BDL框架在预测精度、易于拓展和具备提供预测不确定性度量的优势,其在金融和其他具有复杂数据特征的领域均有广阔的应用前景.