基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。     

异步轧制Pb-Ca-Sn-Al合金晶界节点分形分析

Velcro® 和 Dual-lock 粘扣力学性能的实验与数值分析

张军，王佳琦，袁振伟

（郑州大学 化工与能源学院，郑州 450001）

创新点说明：

Velcro® 和 Dual-lock 粘扣虽然被广泛应用，但其力学性能却研究很少，本文通过拉伸，剪切，从不同拉伸和剪切角度的影响、不同拉伸和剪切速率的影响实验，以及双臂梁和180^o剥离实验，分别研究两种粘扣的力学性能，并分析比较它们各自特点。然后采用内聚力模型，分析了双臂梁和180^o剥离断裂过程。计算结果与实验结果相符合，尤其是模拟Dual-lock 粘扣180^o剥离过程，能很好地分析波动开裂过程。

研究方法：

实验采用Instron力学试验机，并利用Arcan夹具。选用3M生产的两种不同性能的粘扣，基板采用工字型铝材并用特殊固定方式。分别对两种粘扣进行了拉伸，剪切，不同拉伸和剪切角度影响，不同拉伸和剪切速率的影响实验，以及双臂梁和180^o剥离实验。用ABAQUS软件，利用内聚力粘接单元，对双臂梁和180^o剥离断裂过程进行了模拟。

研究结果：

拉伸和剪切实验发现Velcro®粘扣的力学性能与延展性材料类似，Dual-lock粘扣更像脆性材料；不同的施加力角度对其粘接强度影响不明显；施加力速率对其粘接强度有一定影响，Velcro®和Dual-lock粘扣在10-20 mm/min拉伸速率时有很高的粘接强度。利用内聚力粘接单元，对双臂梁断裂和180^o剥离过程进行了模拟，计算结果与实验结果符合，尤其是模拟Dual-lock 粘扣180^o剥离过程，能很好地分析波动开裂过程。

结论：

Velcro®粘扣应用在延展性链接处适合，Dual-lock 粘扣适合脆性链接；这两种粘扣采用10-20 mm/min的拉开速度有较高的粘接强度。内聚力模型能很好模拟这两种粘扣的断裂过程，可作为理论工具对粘扣进行设计和研发。

关键词：Velcro®粘扣，Dual-lock粘扣，力学性能，内聚力模型，数值预测

     

大规模生物网络马尔可夫聚类的并行化算法

马尔可夫聚类算法（MCL）是在大规模生物网络中寻找模块的一个有效方法，能够挖掘网络结构和功能影响力较大的模块。算法涉及到大规模矩阵计算，因此复杂度可达立方阶次。针对复杂度高的问题，提出了基于消息传递接口（MPI）的并行化马尔可夫聚类算法以提高算法的计算性能。首先，生物网络转化成邻接矩阵；然后，根据算法的特性，按照矩阵的规模判断并重新生成新矩阵以处理非平方倍数矩阵的计算；其次，并行计算通过按块分配的方式能够有效地实现任意规模矩阵的运算；最后，循环并行计算直至收敛，得到网络聚类结果。通过模拟网络和真实生物网络数据集的实验结果表明，与全块集体式通信（FCC）并行方法相比，平均并行效率提升了10个百分点以上，因此可以将该优化算法应用在不同类型的大规模生物网络中。     

基于B/S架构的高并发虹膜识别系统

虹膜登录系统的扫描、处理和识别过程处于同一物理机下,会导致存在用户使用代价高和受益用户少等问题。为此,基于BIS架构构建一种虹膜登录系统模型。通过网络实现扫描端和处理端的分离,将虹膜扫描端置于浏览器中,处理端放在云服务器上。运用前端技术搭建用户注册、识别登录窗口,多用户同时通过浏览器调用优化的虹膜摄像头获取本人多张虹膜信息,发送给云服务器。在云服务器端使用Django、Nginx框架搭建部署虹膜识别系统,利用MySql存储用户信息,并且通过多线程、多进程技术基于CPU核心加快图像处理及并行搜索速度。实验结果表明,与普通虹膜识别系统相比,该模型百张图像处理速度提升60%,图像匹配搜索效率平均提升75%。     

加密环境下大数据特征集并行存储方法研究

针对传统方法存在数据存储速度慢,容量小的问题,提出一种加密环境下大数据特征集并行存储方法。采用MMSE算法对大数据特征集进行优化处理,以获得并行的大数据特征集。在加密环境下,当内存中保留数据记录达到一定数量时,在并行处理后的数据中插入批量Hash索引。以此为基础,基于Map函数对数据进行映射处理,进而完成对大数据特征集的并行存储。实验结果表明,利用所提方法的存储过程中数据分布通道具有较好的一致性,且存储速度约为传统方法的3倍,存储容量大。