吊放声纳搜索效能通用仿真模型研究

通过对吊放声纳作战机理的详细分析,以蒙特卡洛法为基础建立了吊放声纳搜索效能的通用仿真模型,并通过仿真实例对模型进行了应用和验证.该模型适用于对各种作战条件下使用各种作战方法时吊放声纳搜索效能的仿真计算.     

一种考虑实时约束的数据流卸载技术

在数据流管理系统中,流数据的高到达速率和进发性等特点会引起系统过载,为此人们提出了各种卸载技术来缓解过载问题.目前几乎所有的卸载技术都使用随机丢弃数据的方法,由于随机丢弃数据策略对数据丢弃过程没有任何控制,这对某些考虑实时约束的数据流管理系统是不适合的.本文认为更为精确的卸载模型,比如文中使用的(m,k)截止期模型,更适合于一类重要的实时数据流事件检测应用.基于(m,k)截止期模型,提出一种新的策略SOSA,该策略一方面提供了可证明的卸载能力,同时也保证了系统的时间约束.为验证SOSA的有效性,设计了一种新的数据流调度算法SOSA-DBP.理论分析与模拟实验证明了SOSA-DBP比现有的算法有更好的性能.     

理想条件下混合态量子系统的Lyapunov稳定化策略

在假定被控系统满足非退化、没有退化跃迁和完全连通的理想条件下,借助于带有附加自由度的Lyapunov函数研究了混合态量子系统的稳定化问题.基于LaSalle原理推导了闭环系统的最大不变集和任一初始态下的收敛状态集,给出了系统对最大不变集中任一平衡态渐近稳定化的自由度的构造原则.最后通过一个两能级系统的数值仿真,验证了所得理论结果的正确性.     

室外崎岖地形下基于视差图的无人自主车障碍物识别

对于地面无人车和室外非结构化环境, 本文介绍了我们开发的基于立体视觉的障碍物快速识别系统. 为了使无人地面车适应于较复杂的地形, 根据V视差图, 我们提出了一种新的地面主视差图的估计方法. 通过地面主视差图和局部的三维重建, 本文给出了一种由粗到精的障碍物识别与定位方法. 在我们的无人地面车平台上, 我们对这一障碍物自动识别系统进行了相应的实际试验. 其试验结果验证了该系统的有效性.     

平面设计教育现状与展望

我国的平面设计专业教育面临着新的形势,在新的形势下我们高等教育的从业者应该怎样面对这些变化,我们应该培养出什么样的学生?这就是本文要探求的内容。     

改进邻居集合的个性化推荐算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,提出一种改进邻居集合的个性化推荐算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了推荐系统的推荐质量。     

基于层次匹配下多种特征融合的蕾丝花边检索方法

针对基于图像纹理特征的蕾丝花边检索方法效率低下问题,为提高蕾丝花边检索效率,提出一种基于层次匹配下多种特征融合的蕾丝花边检索方法。通过运用图像纹理特征标识图像,利用Canny算子处理纹理图像,得到彩色Canny图像及其灰度梯度共生矩阵GGCM,采用能量、梯度平均、灰度平均、相关等二次统计特征参数描述图像的纹理特征,将上述提取纹理特征结合形状特征和SURF特征进行逐层匹配,实现层次匹配下多种特征的融合,弥补单个匹配方法的不足,同时在蕾丝花边库中验证所提检索方法的正确率。实验结果表明,与其他匹配方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,能较好地实现蕾丝花边检索,有效地提高了检索方法的速率和准确率。     

通用水晶报表自动生成技术研究

针对水晶报表制作周期长、维护困难,难已满足用户个性化和不断变化需求的现状,文中研究自动生成技术,设计思路是由大型数据库支持前端程序运行,将报表的外观、结构、程序等信息存储在数据库中,运行时根据这些信息自动生成报表。首先进行界面设计,包括报表页眉节、页眉节、详细资料节、页脚节、报表页脚节;然后进行数据库设计,包括概念结构设计和逻辑结构设计;最后进行关键程序设计,包括主程序设计、设置字段设计、设置统计值设计。运用自动生成技术,提高了软件开发劳动生产率,改变了传统的软件开发模式。     

应用Creator的三维实时场景设计

随着计算机技术的不断发展和飞速运行,三维场景以其独到的优势越来越深入人心,受到观众的追捧,因此Creator软件应运而生,为三维实时场景的设计带来更多的便利.以Creator的三维城市建模的设计步骤和多种优化方式展开研究.     

求解最小闭包球问题改进的SMO-型算法

研究n维空间中m个点的最小闭包球(MEB)问题。通过结合确定并删除内部点的技术到序列最小最优化(SMO)方法中,提出一种近似求解MEB问题的改进的SMO-型算法。证明了该算法具有线性收敛性。数值结果表明对于一些mn的大规模数据集,改进的算法与原算法相比速度可以提高10倍以上。尤其,当n等于100且m等于100000时,改进的SMO-型算法仅需执行8s。此外,对于n等于10000且m等于1000的大规模数据集,改进的算法也仅需执行150s。